Mathematical modeling of real time wind power density using the transformation technique

• Autorzy: Divya P. S. , Manoj G. , John Catherine Grace , Lydia M.

Identyfikatory

DOI

10.15199/48.2022.04.07

Warianty tytułu

PL

Matematyczne modelowanie gęstości mocy wiatru w czasie rzeczywistym z wykorzystaniem techniki transformacji

• Języki publikacji: EN

Abstrakty

EN

Wind power density function and cumulative density function are very essential for evaluating the region's wind resource capacity. To specify the wind speed density functions, six probability density functions are considered in this study. This study suggests a transformation technique to develop a wind power density model predominantly from well-known dfs, namely, the Weibull, Gamma, Burr, Dagum, Logistic and Log-Logistic. The wind power density and cumulative density functions are derived by means of the transformation technique for all the above mentioned distributions as well as the power density and cumulative density function curves are plotted. The maximum likelihood approach is used to estimate the parameters of various distributions. The Kolmogorov-Smirnov test, Anderson-Darling test, and Chi-Squared test are used to evaluate and compare the quality of the goodness of fit. A case study including wind speed data from multiple locations demonstrates the mathematical model in action. Among the six statistical distributions shown above, the Dagum probability density function looks to be the most consistent.

PL

Funkcja gęstości mocy wiatru i funkcja gęstości skumulowanej są bardzo istotne dla oceny potencjału zasobów wiatru w regionie. Aby określić funkcje gęstości prędkości wiatru, w niniejszym opracowaniu uwzględniono sześć funkcji gęstości prawdopodobieństwa. Niniejsze badanie sugeruje technikę transformacji służącą do opracowania modelu gęstości mocy wiatru głównie na podstawie dobrze znanych DFS, a mianowicie Weibulla, Gamma, Burra, Daguma, Logistic i Log-Logistic. Za pomocą techniki transformacji dla wszystkich w/w rozkładów wyprowadza się funkcje gęstości mocy wiatru i gęstości skumulowanej oraz wykreśla się krzywe gęstości mocy i funkcji gęstości skumulowanej. Do oszacowania parametrów różnych rozkładów stosuje się podejście największej prawdopodobieństwa. Do oceny i porównania jakości dopasowania stosuje się test Kołmogorowa-Smirnowa, test Andersona-Darlinga i test Chi-kwadrat. Studium przypadku obejmujące dane dotyczące prędkości wiatru z wielu lokalizacji pokazuje działanie modelu matematycznego. Spośród sześciu rozkładów statystycznych przedstawionych powyżej funkcja gęstości prawdopodobieństwa Daguma wydaje się być najbardziej spójna.

Słowa kluczowe

EN

Anderson-Darling; Chi-Squared test; Dagum; Kolmogorov–Smirnov test; Weibull

PL

modelowanie; turbina wiatrowa; DFS; Weibull

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2022
• Tom: R. 98, nr 4
• Strony: 33--35
• Opis fizyczny: Bibliogr. 11 poz. rys., tab.

Twórcy

autor

Divya P. S.

• Assistant Professor, Department of Mathematics, Karunya Institute of Technology and Sciences, Coimbatore, India

• https://orcid.org/0000-0002-3836-2432

autor

Manoj G.

• Assistant Professor, Department of ECE, Karunya Institute of Technology and Sciences, Coimbatore, India

• https://orcid.org/0000-0003-3543-5672

autor

John Catherine Grace

• Assistant Professor, Department of Mathematics, Karunya Institute of Technology and Sciences, Coimbatore, India

• https://orcid.org/0000-0002-3352-3436

autor

Lydia M.

• Mechatronics Engineering, Sri Krishna College of Engineering and Technology, Coimbatore, India

Bibliografia

• [1] Safari, B., Modeling wind speed and wind power distributions in Rwanda. Renewable and Sustainable Energy Reviews, Vol.15, No.2, pp.925-935, 2011.
• [2] Celik, A., “A statistical analysis of wind power density based on the Weibull and Rayleigh models at the southern region of Turkey”, Renewable Energy, vol.29, No.4, pp.593-604, 2004.
• [3] Islam, M., Saidur, R. and Rahim, N., “Assessment of wind energy potentiality at Kudat and Labua, Malaysia using Weibull distribution function”, Energy, Vol. 36, No.2, pp.985-992, 2011.
• [4] Lydia, M., Kumar, S., Selvakumar, A. and Prem Kumar, G., “A comprehensive review on wind turbine power curve modeling techniques”, Renewable and Sustainable Energy Reviews, Vol.30, pp.452-460, 2014.
• [5] Alavi, O., Mohammadi, K. and Mostafaeipour,A.“Evaluating the suitability of wind speed probability distribution models: a case study of east and southeast parts of Iran”, Energy conversion and Management, Vol. 119, pp.101-108, 2016.
• [6] Nedaei, M., Assareh, E. and Walsh, P., “A comprehensive evaluation of the wind resource characteristics to investigate the short-term penetration of regional wind power based on different probability statistical methods”, Renewable Energy, Vol. 128, pp.362-374, 2018.
• [7] Arslan, T., Acitas, S. and Senoglu, B., “Generalized Lindley and Power Lindley distributions for modeling the wind speed data”, Energy Conversion and Management, Vol.152, pp.300-311, 2017.
• [8] Jaramillo, O. and Borja, M., “Bimodal versus Weibull Wind Speed Distributions: An Analysis of Wind Energy Potential in La Venta, Mexico”, Wind Engineering, Vol.28, No.2, pp.225-234, 2014.
• [9] Masseran, N., “Evaluating wind power density models and their statistical properties”, Energy, Vol.84, pp.533-541, 2015.
• [10] Chang, T., “Estimation of wind energy potential using different probability density functions”, Applied Energy, Vol.88, No.5, pp.1848-1856, 2011.
• [11] Savino MM, Manzini R, Selva VD, Accorsi R (2017) A new model of environmental and economic evaluation of renewable energy systems: the case of wind turbines. Appl Energy 189:739–752

Uwagi

Opracowanie rekordu ze środków MEiN, umowa nr SONP/SP/546092/2022 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2022-2023).