Investigating the possibility of using a supervised neural network to predict the amount of electricity generated by wind farms

• Autorzy: Kamiński Mateusz , Kolasa Marta

Identyfikatory

DOI

10.15199/48.2023.04.20

Warianty tytułu

PL

Zbadanie możliwości wykorzystania nadzorowanej sieci neuronowej do prognozowania ilości generowanej energii elektrycznej przez elektrownie wiatrowe

• Języki publikacji: EN

Abstrakty

EN

The article presents the state-of-the-art and the results of the authors’ own research obtained with the use of an artificial neural network to predict the amount of energy generated by wind turbines. A supervised neural network was used to convert algorithmically inputted meteorological data into output forecast data representing the amount of energy that could be generated by the offshore wind turbines. The amount of energy produced by renewable energy sources is directly linked to unpredictable weather conditions. The stochastic nature of meteorological conditions makes it difficult to extrapolate generation curves, which are necessary for the balancing energy market. Implementing neural networks in national energy systems can make them more resilient and sustainable, by enabling the efficient synergy of RES and conventional energy sources.

PL

W artykule przedstawiono przegląd literatury oraz wyniki badań autorów związane z wykorzystaniem sieci neuronowych do predykcji generowanej energii elektrycznej przez farmy wiatrowe. W pracy wykorzystano nadzorowaną sieć neuronową do konwersji wartości wejściowych, w postaci meteorologicznych danych pogodowych, na dane wyjściowe, w postaci prognozowanej dostępnej generacji energii elektrycznej przez morską farmę wiatrową. Ilość wytwarzanej energii poprzez odnawialne źródła energii jest skorelowana z nieprzewidywalnymi warunkami środowiskowymi. Stochastyczna natura warunków atmosferycznych utrudnia wyprowadzenie ekstrapolowanych krzywych generacji, niezbędnych do zarządzania rynkiem bilansującym energii elektrycznej. Zastosowanie sieci neuronowych w krajowych systemach energetycznych może zagwarantować bezpieczną zrównoważoną synergię OZE z konwencjonalnymi źródłami wytwórczymi.

Słowa kluczowe

EN

supervised neural network; WECS; wind turbines; generation forecasting; smart grid

PL

nadzorowane sieci neuronowe; WECS; turbiny wiatrowe; prognozowanie generacji; inteligentne sieci

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2023
• Tom: R. 99, nr 4
• Strony: 111--117
• Opis fizyczny: Bibliogr. 28 poz., rys., tab., wykr.

Twórcy

autor

Kamiński Mateusz

• Bydgoszcz University of Science and Technology, ul. Kaliskiego 7, 85-796 Bydgoszcz, Poland

autor

Kolasa Marta

• Faculty of Telecommunications, Computer Science and Electrical Engineering, Bydgoszcz University of Science and Technology, ul. Kaliskiego 7, 85-796 Bydgoszcz, Poland

Bibliografia

• [1] Dutka M.: Prognozowanie generacji energii elektrycznej z odnawialnych źródeł energii przy wykorzystaniu metod sztucznej inteligencji, Kraków, Akademia Górniczo-Hutnicza im. Stanisława Staszica in Kraków, 2020.
• [2] Brahimi T.: Using Artificial Intelligence to Predict Wind Speed for Energy Application in Saudi Arabia, Energies, Saudi Arabia, 2019.
• [3] Dobschinski J..: How good is my forecast? Comparability of wind power forecast errors, Fraunhofer Institute for Energy Economics and Energy System Technology, Kassel, 2014.
• [4] De Giorgi M. G., Ficarella A., Russo M. G.: Short-term wind forecasting using artificial neural networks (ANNs), Department of Engineering Innovation Centro Ricerche Energia e Ambiente, University of Salento, Italy, Energy and Sustainability II 197 tom 2, 2009.
• [5] Sayenko Y., Pawełek R., Liubartsev V.: Wind power forecasting based on meteorological data using neural networks, Przegląd Elektrotechniczny, NR 11/2021, pp.207-210, 2021.
• [6] Piotrkowski P.: Analiza zastosowań sztucznych sieci neuronowych do krótkoterminowego prognozowania mocy oraz produkcji energii elektrycznej w systemach fotowoltaicznych, Przegląd Elektrotechniczny, NR 8/2015, pp.162-165, 2015.
• [7] Met Office.: Embedding machine learning and artificial intelligence in weather and climate science and services -A framework for data science in the Met Office | 2022-2027, Exeter, UK, July 2020.
• [8] Schreiber P.: THE IEA’S NET-ZERO 2050 The new normal and what’s left to be done, Reclaim Finance, December 2021.
• [9] Official Journal of the European Union.: DIRECTIVE (EU) 2018/844 OF THE EUROPEAN PARLIAMENT AND OF THE COUNCIL, 30 May 2018.
• [10] Kamiński M.: Zbadanie możliwości wykorzystania nadzorowanej sieci neuronowej do prognozowania ilości generowanej energii elektrycznej przez elektrownie wiatrowe, Bydgoszcz, Politechnika Bydgoska im. Jana i Jędrzeja Śniadeckich, 2022.
• [11] Jąderko A., Mamok Ł.: Odtwarzanie momentu aerodynamicznego mikroelektrowni wiatrowej w układzie sterowania z pełnym obserwatorem stanu, Przegląd Elektrotechniczny, NR 1/2020, pp.162-165, 2020.
• [12] Wang Y., LI L., Yongqian L., Han S.: Impact of wake effect on wind power prediction, State Key Laboratory of Alternate Electrical Power System with Renewable Energy Sources, North China Electric Power University, Beijing, 2013.
• [13] Bay Y., Ruban N., Andreev M., Gusev A.: A statistical analysis of wind speed probabilistic distributions for the wind power assessment in different regions, Przegląd Elektrotechniczny, R.97, 12/2021, 82-85
• [14] Polskie Sieci Elektroenergetyczne.: ZESTAWIENIE DANYCH ILOŚCIOWYCH DOTYCZĄCYCH FUNKCJONOWANIA KSE W 2021 ROKU, PSE, 2021.
• [15] Janowski M.: Elektroenergetyka współczesność i rozwój, Polskie Sieci Elektroenergetyczne, nr 1(20), 2019
• [16] Thanasis G. Barbounis, John B. Theocharis, Member, IEEE, Minas C. Alexiadis oraz Petros S. Dokopoulos.: Long-Term Wind Speed and Power Forecasting Using Local Recurrent Neural Network Models, IEEE TRANSACTIONS ON ENERGY CONVERSION, VOL. 21, NO. 1, 2006.
• [17] A. Akinyelu, F. Zaccagna, T. Grist, M. Castelli, L. Rundo.: Brain Tumor Diagnosis Using Machine Learning, Convolutional Neural Networks, Capsule Neural Networks and Vision Transformers, Applied to MRI: A Survey, Journal of Imaging, 2022
• [18] Długosz R, Kolasa M.: NEW FAST TRAINING ALGORITHM SUITABLE FOR HARDWARE KOHONEN NEURAL NETWORKS DESIGNED FOR ANALYSIS OF BIOMEDICAL SIGNALS. SciTePress, January 2009.
• [19] Miroshnyk O., Łukasik Z., Szafraniec A., Lezhniuk P., Kovalyshynk, Shchur T.: Reducing the dissymmetry of load currents in electrical networks 0,4/0,23 kV using artificial neural networks, Przegląd Elektrotechniczny, R. 95, 11/2019, 245-249
• [20] Shareef H., Remli M.A., Zulkifley M.A., Ibrahim A., Mohd-Fazzil N.A.: Non-intrusive load monitoring for appliance status determinationusing feed-forward neural network, Przegląd Elektrotechniczny, R. 98, 4/2022, 27-32
• [21] Manolis I.A. Lourakis, Antonis A. Argyros.: Is Levenberg-Marquardt the Most Efficient Optimization Algorithm for Implementing Bundle Adjustment? Institute of Computer Science, Foundation for Research and Technology - Hellas Vassilika Vouton, December 2005.
• [22] Udoka O.: USING LEVENBERG-MARQUARDT STANDARD BACK-PROPAGATION ALGORITHM IN SPEED EXTRAPOLATION FOR DC MOTORS, International Journal of Electrical and Electronic Engineering and Telecommunications, pp. 2319-2518, 2016.
• [23] Grothe O., Kächele F., Watermeyer M.: Analyzing Europe’s Biggest Offshore Wind Farms: A Data Set with 40 Years of Hourly Wind Speeds and Electricity Production, Energies, p. 24, 2022
• [24] Vural M., Scott D., Borland A.: Dogger Bank Offshore Wind Farm Decommissioning Programme, SSE Renewables, Equinor, 2020.
• [25] Rutka G.: Neural Network Models for Internet Traffic Prediction, Faculty of Electronics and Telecommunication, Riga Technical University, ISSN 1392 – 1215, 2006.
• [26] Hudson Beale M., Hagan M., Demuth H.: Deep Learning Toolbox User’s Guide, MathWorks, 2022.
• [27] Duch W., Jankowski N.: Survey of Neural Transfer Functions, Department of Computer Methods, Nicholas Copernicus University, 1999.
• [28] Duch W., Jankowski N.: Transfer functions: hidden possibilities for better neural networks, European Symposium on Artificial Neural Networks, Belgium, 2001.

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).