A statistical analysis of wind speed probabilistic distributions for the wind power assessment in different regions

• Autorzy: Bay Yuly , Ruban Nikolay , Andreev Mikhail , Gusev Alexander

Identyfikatory

DOI

10.15199/48.2021.12.14

Warianty tytułu

PL

Analiza statystyczna rozkładów probabilistycznych prędkości wiatru do oceny energetyki wiatrowej w różnych regionach

• Języki publikacji: EN

Abstrakty

EN

The penetration of renewable energy sources (RES) into the electricity supply is gaining popularity all over the world, including countries that have large oil and gas reserves, since only the development of alternative energy will help avoid regression and take a green path development, reducing the damage to the environment. According to estimates of the International Energy Agency (IEA), the capacity of RES units built in China in 2016 was 34 GW, and Australia is one of the world leaders in the photovoltaic power plants installation, the share of which in the Australian electricity production exceeds 3%. It should be noted, that the final power generation capacity and stability are stochastic (probabilistic) in nature. Unlike the classical type generator, the output RES characteristics depend on the geographical features of the installation area, the season, and prevailing winds. Risks associated with inaccurate knowledge of the cumulative distribution function (CDF) describing these sources, as well as environmental uncertainties, are the reasons why it is more difficult for distribution network operators (DNO) to take RES into account in the power balance calculations. The wind speed CDF clarification can provide significant assistance in predicting the RES power production.

PL

Według szacunków Międzynarodowej Agencji Energetycznej (IEA) moc jednostek OZE wybudowanych w Chinach w 2016 roku wyniosła 34 GW, a Australia jest jednym ze światowych liderów w instalacji elektrowni fotowoltaicznych, której udział w australijskiej produkcji energii elektrycznej przekracza 3%. Należy zauważyć, że końcowa moc i stabilność wytwarzania energii ma charakter stochastyczny (probabilistyczny). W przeciwieństwie do generatora typu klasycznego, charakterystyka wyjściowa OZE zależy od cech geograficznych obszaru instalacji, pory roku i dominujących wiatrów. Ryzyko związane z niedokładną znajomością skumulowanej funkcji dystrybucji (CDF) opisującej te źródła, a także niepewności środowiskowe powodują, że operatorom sieci dystrybucyjnych (DNO) trudniej jest uwzględnić OZE w obliczeniach bilansu mocy. Wyjaśnienie prędkości wiatru CDF może zapewnić znaczącą pomoc w przewidywaniu produkcji energii z OZE.

Słowa kluczowe

EN

power system; wind speed time series; probability density function; cumulative distribution function

PL

energetyka wiatrowa; rozkład statystyczny; OZE

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2021
• Tom: R. 97, nr 12
• Strony: 82--85
• Opis fizyczny: Bibliogr. 20 poz., rys., tab.

Twórcy

autor

Bay Yuly

• Tomsk Polytechnic University, 30, Lenin Avenue, Tomsk, Russia

• https://orcid.org/0000-0001-9928-408X

autor

Ruban Nikolay

• Tomsk Polytechnic University, 30, Lenin Avenue, Tomsk, Russia

• https://orcid.org/0000-0003-1396-9104

autor

Andreev Mikhail

• Tomsk Polytechnic University, 30, Lenin Avenue, Tomsk, Russia

• https://orcid.org/0000-0002-6420-4374

autor

Gusev Alexander

• Tomsk Polytechnic University, 30, Lenin Avenue, Tomsk, Russia

• https://orcid.org/0000-0003-0814-2356

Bibliografia

• [1] Zhang, J., M. Cheng, and X. Cai. (2012). Short-Term Wind Speed Prediction Based on Grey System Theory Model in the Region of China. Przeglad Elektrotechniczny, 88 (7a), 67-71.
• [2] Strzelczyk, F. (2009). Renewable energy sources in power system. Przeglad Elektrotechniczny, 85 (9), 340-349.
• [3] Karaki, S.H., Chedid, R.B., Ramadan R. (1999). Probabilistic performance assessment of autonomous solar–wind energy conversion systems, IEEE Trans Energy Conversion, 14 (3), 766–772.
• [4] Kruangpradit P., Tayati W. (1996). Hybrid renewable energy system development in Thailand, Renewable Energy, 8 (1–4), 514–517.
• [5] Sohoni, V., Gupta, Sh., Nema, R. (2016). A comparative analysis of wind speed probability distributions for wind power assessment of four sites. Turkish Journal of Electrical Engineering & Computer Sciences, 24, 4724-4735.
• [6] Giraldo, J., Castrillon, J., Granada-Echeverri, M. (2014). Stochastic AC Optimal Power Flow Considering the Probabilistic Behavior of the Wind, Loads and Line Parameters. Ingeniería e Investigación, 15, 529-538
• [7] Soroudi, A., Aien M., Ehsan, M. (2012). A Probabilistic Modeling of Photo Voltaic Modules and Wind Power Generation Impact on Distribution Networks. IEEE Systems Journal, 6 (2), 254-259.
• [8] Malska, W. and D. Mazur. (2017). Analysis of the Impact of Wind Speed for Power Generation on the Example of Wind Farm. Przeglad Elektrotechniczny, 93 (4), 54-57.
• [9] Akyuz, H., Gamgam, H. (2017). Statistical Analysis of Wind Speed Data with Weibull, Lognormal and Gamma Distributions. Cumhuriyet Science Journal, 38, 68-76.
• [10] Ross, R. (1994). Graphical Methods for Plotting and Evaluating Weibull Distributed Data. Proceedings of the 4th Int. Conf. Properties and Applications of Dielectric Materials,1, 250 – 253.
• [11] Cousineau, D., Brown, S., Heathcote, A. (2004). Fitting distributions using maximum likelihood: Methods and packages, Behavior Research Methods, Instruments, & Computers,36, 742–756.
• [12] Prem, Ch., Siraj, A., Vilas, W. (2018). Study of different parameters estimation methods of Weibull distribution to determine wind power density using ground based Doppler SODAR instrument. Alexandria Engineering Journal, 57 (4), 2299-2311.
• [13] Dongbum, K., Kyungnam, K., Jongchul H. (2018). Comparative Study of Different Methods for Estimating Weibull Parameters: A Case Study on Jeju Island, South Korea. Energies, 11 (2), 1-19.
• [14] Seyit, A., Akdağ, A., D. (2009). A new method to estimate Weibull parameters for wind energy applications. Energy Conversion and Management, 50 (7), 1761-1766.
• [15] Çelik, H., Yilmaz, V. (2008). A Statistical Approach to Estimate the Wind Speed Distribution: The Case of Gelibolu Region. Doğuş Üniversitesi Dergisi, 9 (1), 122-132.
• [16] Bielecki, S. (2017). Reactive Power Demand – Verification of a Hypothesis of Normal Distribution Values). Przeglad Elektrotechniczny, 93 (9), 20-23.
• [17] Loic, Q., Clement, J., Christian. E. (2014). Measuring the Power Curve of a Small-scale Wind Turbine: A Practical Example. Conference Proceedings Paper - Energies “Whither Energy Conversion? Present Trends, Current Problems and Realistic Future Solutions”, pp. 1-11.
• [18] González-Aparicio, I., Monforti, F., Volker, P., Zucker, A., Careri, F., Huld, T., Badger, J. (2017). Simulating European Wind Power Generation Applying Statistical Downscaling to Reanalysis Data. Applied Energy, 199, 155- 168.
• [19] Rosas, P. A. C., Nielsen, A. H., Bindner, H. W., Sørensen, P. E., Lindahl, S. O. R., Nielsen, J. E. & Pedersen, J. K. (2004). Dynamic Influences of Wind Power on The Power System, Technical University of Denmark, Denmark, Forskningscenter Risoe.
• [20] Lingfeng, W., Chanan, S., Andrew, K. (2010). Wind Power Systems: Applications of Computational Intelligence, Springer-Verlag Berlin Heidelberg.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).