Technical Comparative Benchmarking Study: Advanced AI Hybrid Methods for Renewable Energy Farm Optimization and Forecasting

📄 arXiv: 2608.26613v1 📥 PDF

作者: Majid Masoumi, Asghar Dashtiy, Mohammad Dehghan, Mina Rajabi

分类: cs.LG

发布日期: 2026-08-27

💡 一句话要点

提出先进AI混合方法以优化和预测可再生能源农场

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 可再生能源 机器学习 深度学习 集成学习 风能预测 混合模型 数据优化

📋 核心要点

  1. 现有方法在处理高维结构化可再生能源数据时，往往无法有效捕捉非线性布局功率交互。
  2. 论文提出了多种先进的AI混合方法，特别是随机化和增强的树集成模型，以提高预测精度。
  3. 实验结果显示，RF BiLSTM混合模型在预测准确性上优于其他模型，MAE显著降低，展示了混合方法的有效性。

📝 摘要（中文）

本研究对传统机器学习、集成学习、深度神经网络、递归架构、变换器、基于图的模型及混合深度学习方法进行了全面的基准测试，涵盖了三种数据集：大规模风能转换器（WEC）数据集、16个WEC数据集和Penmanshiel风电场的10分钟SCADA测量数据。研究发现，树集成方法在结构化WEC布局数据上明显优于传统机器学习和神经网络预测器，Extra Trees模型表现最强，MAE减少约63.7%。STGCN通过显式学习空间和时间涡轮机交互，将MAE降低至约167.0 kW，R值达到0.93。RF BiLSTM混合模型的预测准确性最佳，MAE为150.5 kW，相比于单独的LSTM减少约75%。

🔬 方法详解

问题定义：本研究旨在解决在可再生能源农场优化和预测中，现有机器学习方法无法有效处理高维结构化数据的问题，尤其是在捕捉非线性布局功率交互方面的不足。

核心思路：论文的核心思路是利用随机化和增强的树集成方法，结合深度学习模型，来提高对复杂数据的预测能力。这种设计能够有效捕捉数据中的非线性关系，而无需显式特征表示学习。

技术框架：整体架构包括数据预处理、模型选择与训练、以及性能评估三个主要模块。研究中使用了多种模型，包括传统机器学习、集成学习和深度学习模型，进行比较分析。

关键创新：最重要的技术创新在于提出了RF BiLSTM混合模型，该模型在处理高维结构化数据时，能够显著提高预测准确性，与现有单一模型相比，表现出更优的性能。

关键设计：在模型设计中，Extra Trees被选为基准模型，采用了随机分区和提升策略，损失函数采用均方误差（MSE），并通过交叉验证优化超参数设置，以确保模型的泛化能力。

🖼️ 关键图片

img_0
img_1
img_2

📊 实验亮点

实验结果表明，RF BiLSTM混合模型的MAE为150.5 kW，相比于单独的LSTM模型减少约75%，并且在STGCN模型的基础上提高了约10%。此外，Extra Trees模型在处理结构化WEC数据时表现出明显优势，MAE减少约63.7%。

🎯 应用场景

该研究的潜在应用领域包括风能和其他可再生能源的优化管理、预测和决策支持系统。通过提高预测准确性，能够有效降低运营成本，提升能源利用效率，具有重要的实际价值和未来影响。

📄 摘要（原文）

This study provides a comprehensive benchmarking of conventional machine learning (ML), ensemble learning, deep neural networks, recurrent architectures, Transformers, graph based models, and hybrid ensemble deep learning approaches under complementary renewable energy scenarios. Three datasets are considered: a large scale WEC dataset, a 16 WEC dataset, and operational 10 min SCADA measurements at the Penmanshiel wind farm. For structured WEC layout data, tree ensembles exhibited a clear advantage over conventional ML and neural predictors because randomized partitioning and boosting efficiently captured nonlinear layout power interactions without requiring explicit feature representation learning. The Extra Trees was the strongest model, achieving considerable results. Relative to the MLP baseline, this corresponds to an approximately 63.7% reduction in MAE, demonstrating the suitability of randomized tree ensembles for high dimensional structured WEC data. Also, STGCN reduced the MAE to approximately 167.0 kW and achieved R = 0.93 by explicitly learning spatial and temporal turbine interactions. The best overall forecasting accuracy was obtained by the RF BiLSTM hybrid, with an MAE=150.5 kW. Compared with standalone LSTM, this represents an approximately 75% reduction in MAE, while improving on STGCN by approximately 10.0%. Finally, the experiments reveal that no single AI architecture is universally optimal: randomized and boosted ensembles are particularly effective for structured WEC surrogate modeling, graph networks become advantageous when explicit spatial interactions dominate, and ensemble recurrent hybrids provide the strongest balance when nonlinear tabular relationships and temporal dynamics coexist.