Neue Klassifikationsmethode steigert Genauigkeit bei Windrampen-Vorhersagen

Ein neues Verfahren zur Vorhersage von Windkraft-Rampen‑Ereignissen (WPREs) verspricht, die Zuverlässigkeit von Entscheidungsunterstützungssystemen in Niedrig‑CO₂‑Netzen deutlich zu erhöhen. Durch die Bereitstellung von Echtzeit‑Warnungen können Betreiber frühzeitig detaillierte Stabilitätsanalysen durchführen und präventive Maßnahmen ergreifen.

Die Herausforderung bei der Prognose von WPREs liegt in der starken Klassenungleichgewichtung: Rampenereignisse machen weniger als 15 % der beobachteten Daten aus, während die Mehrheit normale Betriebsbedingungen repräsentiert. Traditionelle Machine‑Learning‑Modelle neigen dazu, die Mehrheitsklasse zu bevorzugen, was die Vorhersagegenauigkeit stark beeinträchtigt.

Die vorgestellte Methode behandelt die Vorhersage als multivariate Zeitreihen‑Klassifikation und nutzt ein spezielles Pre‑Processing‑Schema. Dabei werden Merkmale aus den jüngsten Leistungsdaten extrahiert und fehlende Rampeninformationen maskiert, sodass das Modell nahtlos in bestehende Echtzeit‑Rampen‑Erkennungstools integriert werden kann.

Ein entscheidender Schritt ist die Kombination aus Unterabtastung der Mehrheitsklasse und Ensemble‑Learning. Diese Technik reduziert die Verzerrung zugunsten der Minderheitsklasse und verbessert die Klassifikationsleistung erheblich.

Simulationen auf einem realen Datensatz zeigen, dass das neue Verfahren über 85 % Genauigkeit und einen gewichteten F1‑Score von 88 % erreicht – deutlich besser als gängige Benchmark‑Klassifikatoren. Damit liefert die Studie einen vielversprechenden Ansatz, um die Stabilität von Windkraftanlagen in Stromnetzen mit hoher Niedrig‑CO₂‑Auslastung zu sichern.