A hybrid algorithm combining auto-encoder network with Sparse Bayesian Regression optimized by Artificial Bee Colony for short-term Wind Power Forecasting

To forecast the short-term wind power precisely, this paper proposes a hybrid strategy which consists of a nonlinear dimensionality reduction component by auto-encoder network and a forecasting component based on Sparse Bayesian Regression optimized by Artificial Bee Colony Optimization. The proposed model can predict wind power curve per hour with a lead time of 3hours. Finally, an experiment is conducted to test the effectiveness of the forecasting model based on the detailed data from a wind farm in China. Streszczenie. W artykule zaproponowano hybrydową metodę przewidywania krzywej prędkości wiatru w okresie kolejnej godziny. Algorytm bazuje na nieliniowej redukcji wymiarowości przez sieć auto-enkoderową (sztuczną sieć neuronową) oraz na elemencie przewidującym, opartym na rzadkiej regresji Bayesa (ang. Sparse bayesian Regression) zoptymalizowanej metodą sztucznej koloni pszczół. (Krótkoterminowe przewidywanie energii wiatru przez algorytm hybrydowy – sieć auto-enkoderowa oraz regresja Bayesa SBR zoptymalizowana metodą sztucznej kolonii pszczół).