Celem pracy było sprawdzenie skuteczności zastosowania sztucznych sieci neuronowych do krótkoterminowych (od 1 do 6 godzin) prognoz prędkości i kierunku wiatru. W analizach wykorzystano dane meteorologiczne, takie jak prędkość wiatru, temperatura, ciśnienie atmosferyczne, suma opadów z ostatniej godziny, nasłonecznienie oraz temperatura punktu rosy, pochodzące z modelu reanalizy ERA5.
Pierwsza część badań dotyczyła predykcji prędkości wiatru. Stworzono na jej potrzeby dwa modele sieci neuronowych: sieć gęsto połączoną oraz rekurencyjną sieć typu LSTM. Do implementacji modeli wykorzystano pakiet Keras w języku Python. Błąd RMSE predykcji sieci porównano z modelem naiwnym oraz uśredniającym dla horyzontów czasowych 1h, 3h oraz 6h. Modele uzyskały zadowalającą dokładność. Sprawdzono również tzw. dryf modelu, czyli spadek dokładności wraz z czasem i przestrzenią. Okazał się on bardzo niewielki w czasie oraz znacznie większy w przestrzeni. Ponadto, dokonano analizy wpływu dodatkowych cech w postaci gradientów ciśnienia i temperatury na wyniki modeli. Okazało się, że skuteczność wzrosła. Modele przetestowano również z użyciem rzeczywistych danych pomiarowych z farmy wiatrowej. Błąd predykcji był dla nich wyższy, niż dla danych z ERA5, ale wciąż satysfakcjonujący. W pracy poruszono również temat wyjaśnialności modeli uczenia maszynowego przy użyciu Shapley Values. Sprawdzono z ich pomocą, które cechy mają największy wpływ na wynik predykcji.
W drugiej części skupiono się na prognozach kierunku wiatru. Zaproponowano trzy różne podejścia do tego problemu. Pierwszym z nich było potraktowanie tego zadania jako zadanie regresji i przewidywanie dokładnej wartości kierunku wprost. Drugie podejście zakładało dokonywanie klasyfikacji kierunku wiatru do jednej z kilku klas reprezentujących pewne części kąta pełnego. W ramach tego zagadnienia sprawdzono również wpływ liczby klas na błąd klasyfikacji. Trzecim rozwiązaniem było przewidywanie osobno dwóch składowych prędkości wiatru i wyliczanie z nich kierunki. Zgodnie z przyjętą metodyką porównawczą, najskuteczniejsze okazało się podejście trzecie, czyli predykcja kierunku przez składowe prędkości.
Wyniki pracy potwierdzają zasadność zastosowania modeli głębokiego uczenia do krótkoterminowego przewidywania wiatru. Zaproponowano również kolejne kroki rozwoju modeli, mające na celu poprawę ich skuteczności.
The aim of the thesis was to assess the effectiveness of applying artificial neural networks for short-term (1 to 6 hours) forecasting of wind speed and direction. Meteorological data such as wind speed, temperature, atmospheric pressure, precipitation from the last hour, solar radiation, and dew point temperature from the ERA5 reanalysis model were used in the analysis.
The first part of the research focused on wind speed prediction. Two neural network models were created for this purpose: a densely connected network and a recurrent LSTM (Long Short-Term Memory) network. The Keras package for Python was used for model implementation. The RMSE (Root Mean Square Error) of the network predictions was compared with naive and averaging models for time horizons of 1h, 3h, and 6h. The models achieved satisfactory accuracy. The study also examined the model drift, i.e., the decrease in accuracy over time and space, which was found to be very small over time and considerably larger in space. Additionally, the impact of additional features such as pressure and temperature gradients on model results was analyzed, revealing an increase in effectiveness. The models were also tested using real measurement data from a wind farm, showing higher prediction errors but still satisfactory results compared to ERA5 data.
The work also addressed the explainability of machine learning models using Shapley Values, investigating which features had the greatest impact on prediction outcomes.
In the second part, the focus shifted to wind direction forecasts. Three different approaches were proposed for this problem. The first treated the task as a regression problem, predicting the exact direction value. The second involved classifying wind direction into several classes representing certain parts of the full angle. The impact of the number of classes on classification error was also examined in this context. The third solution involved predicting the two wind speed components separately and calculating directions from them. According to the comparative methodology adopted, the most effective approach was the third one, predicting direction through speed components.
The results of the study confirm the validity of applying deep learning models for short-term wind prediction. Further steps for model development were also proposed to improve their effectiveness.
