Seasonality effect on working and prediction of the production of electricity in onshore wind farm

• Autorzy: Dutka Mateusz , Świątek Bogusław

Identyfikatory

DOI

10.15199/48.2019.07.25

Warianty tytułu

PL

Wpływ sezonowości na pracę i prognozowanie produkcji energii elektrycznej śródlądowej farmy wiatrowej

• Języki publikacji: EN

Abstrakty

EN

This paper describes relevant issues of the energy prediction from onshore wind farms. The use of a neural network to forecast wind power production and its resistance to changing seasons is examined. Different structures of neural networks are presented with a comparison of their forecasts accuracy.

PL

Artykuł opisuje możliwości prognozowania produkcji energii w śródlądowych farmach wiatrowych. Analizie poddano możliwość predykcji z wykorzystaniem sztucznych sieci neuronowych uwzględniających wpływ sezonowości. W artykule zaproponowano różne struktury sieci neuronowych oraz porównano ich skuteczność.

Słowa kluczowe

EN

wind power forecasting; impact of seasonality; BP neural network; efficiency; energy balancing

PL

prognozy farmy wiatrowe; wpływ sezonowości; sieci neuronowe; efektywność; stabilizacja systemu energetycznego

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2019
• Tom: R. 95, nr 7
• Strony: 120--124
• Opis fizyczny: Bibliogr. 11 poz., rys., tab.

Twórcy

autor

Dutka Mateusz

• AGH University of Science and Technology, Department of Power Electronics and Energy Control Systems, 30 Mickiewicza Ave., 30-059 Krakow, POLAND

autor

Świątek Bogusław

• AGH University of Science and Technology, Department of Power Electronics and Energy Control Systems, 30 Mickiewicza Ave., 30-059 Krakow, POLAND

Bibliografia

• [1] Całus D., Oźga K., Popławski T., Michalski A., Szczepański K., Możliwości i horyzonty ekoinnowacyjności - Zielona energia, Wydawnictwo Instytut Naukowo-Wydawniczy "Spatium", Częstochowa 2018
• [2] Popławski, T., Weżgowiec M., Krótkoterminowe prognozy cen na Towarowej Giełdzie Energii z wykorzystaniem modelu trendu pełzającego, Przegląd Elektrotechniczny, 91, (2015), nr 12, 267-270
• [3] Ciechulski T., Osowski S., Prognozowanie zapotrzebowania mocy w KSE z horyzontem dobowym przy zastosowaniu zespołu sieci neuronowych, Przegląd Elektrotechniczny, 94, (2018), nr 9, 108-112
• [4] Yuan-Kang Wu, Po-En Su, Ting-Yi Wu, Jing-Shan Hong, Yusri M. H., Probabilistic Wind-Power Forecasting Using Weather Ensemble Models, IEEE Transactions on Industry Applications, (2018), 54, 6, 5609-5620
• [5] Yang M., Lin Y., Zhu S., Han X., Wang H., Multi-dimensional scenario forecast for generation of multiple wind farms, Journal of Modern Power Systems and Clean Energy, 2015, 3, 3, 361-370
• [6] Ciu M., Ke D., Gan D., Sun Y., Statistical scenarios forecasting method for wind power ramp events using modified neural networks, Journal of Modern Power Systems and Clean Energy, 2015, 3, 3, 371-380
• [7] Safari N., Chung C. Y., Price G. C. D., Novel Multi-Step Short-Term Wind Power PredictionFramework Based on Chaotic Time Series Analysisand Singular Spectrum Analysis, IEEE Transactions on Power Systems, (2018), 33, 1, 590-601
• [8] M. Qi, G. P. Zhang, Trend Time Series Modeling and Forecasting With Neural Networks", IEEE Transactions on neural networks, vol. 19, no. 5, May 2008
• [9] D. Wu, H. Wang, Application of BP neural network to power predioction of wind power generation unit in microgrid, Engineering Technology and Applications, London 2014.
• [10] Z. Liu, W.Gao, Y.-H. Wan, E. Muljadi, "Wind Power Plant Prediction by Using Neural Network", IEEE Energy Conversion Conference and Exposition, August 2012
• [11] Wen-Yeau Chang, "Short-Term Wind Power Forecasting Using the Enhanced Particle Swarm Optimization Based Hybrid Method, Energies, (2013), 6, 4879-4896

Uwagi

Opracowanie rekordu w ramach umowy 509/P-DUN/2018 ze środków MNiSW przeznaczonych na działalność upowszechniającą naukę (2019).