Wind power forecasting based on meteorological data using neural networks

• Autorzy: Sayenko Yuriy , Pawełek Ryszard , Liubartsev Vadym

Identyfikatory

DOI

10.15199/48.2021.11.39

Warianty tytułu

PL

Prognozowanie energii wytwarzanej przez źródła wiatrowe na podstawie danych meteorologicznych z wykorzystaniem sieci neuronowych

• Języki publikacji: EN

Abstrakty

EN

The growing share of renewable energy sources in the structure of energy systems causes many problems related to the correct operation of the grid. This impact is most evident in low-voltage grids to which many low-power prosumer solar and wind installations are connected. For the correct management and, consequently, the economic operation of power systems, the most accurate forecast of electricity consumption and generation in grids with different voltage levels is needed. Conventional generation devices have stable production values and can be regulated within wide limits, while the production of electricity from renewable sources, by wind farms in particular, depends on external weather conditions and requires a more careful approach to its forecasting. The aim of the article is to present a method of forecasting the power generated by wind turbines based on publicly available meteorological data. The presented forecasting method uses the theory of neural networks.

PL

Rosnący udział odnawialnych źródeł energii w strukturze systemów energetycznych, powoduje wiele problemów związanych z poprawną pracą sieci. Oddziaływanie to jest najbardziej widoczne w sieciach niskiego napięcia, do których przyłączonych jest wiele fotowoltaicznych i wiatrowych instalacji prosumenckich małej mocy. Dla poprawnego zarządzania i w konsekwencji ekonomicznej pracy systemów elektroenergetycznych potrzebna jest możliwie dokładna prognoza zużycia i wytwarzania energii elektrycznej w sieciach o różnych poziomach napięcia. Konwencjonalne urządzenia wytwórcze mają stabilne wartości wytwarzania i mogą być regulowane w szerokich granicach, natomiast produkcja energii elektrycznej ze źródeł odnawialnych, a w szczególności przez elektrownie wiatrowe, zależy od zewnętrznych czynników atmosferycznych i wymaga staranniejszego podejścia do jej prognozowania. Celem artykułu jest przedstawienie metody prognozowania mocy generowanej przez turbiny wiatrowe w oparciu o publicznie dostępne dane meteorologiczne. W prezentowanej metodzie prognozowania wykorzystano teorię sieci neuronowych.

Słowa kluczowe

EN

renewable source; wind farm; forecasting; neural network; modelling

PL

źródła odnawialne; farma wiatrowa; sieć neuronowa

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2021
• Tom: R. 97, nr 11
• Strony: 207--210
• Opis fizyczny: Bibliogr. 15 poz., rys., tab.

Twórcy

autor

Sayenko Yuriy

• Pryazovskyi State Technical University

• https://orcid.org/0000-0001-9729-4700

autor

Pawełek Ryszard

• Lodz University of Technology, Institute of Electrical Power Engineering

• https://orcid.org/0000-0002-1023-8210

autor

Liubartsev Vadym

• Pryazovskyi State Technical University

• https://orcid.org/0000-0003-1243-9101

Bibliografia

• [1] Leithon J., Werner S., Koivunen V., Cost-aware renewable energy management: Centralized vs. distributed generation, Renewable Energy, pp. 1164-1179, 2019 doi:10.1016/j.renene.2019.09.077
• [2] Wang C., Wu J., Ekanayak J., Smart Electricity Distribution Networks, Boca Raton: Taylor & Francis Group, 2017.
• [3] Kariniotakis G., Waldl I .H-P., Mar t i I . , Giebel G . , Nielsen T.S., Tambke J., Usaola J., Dierich F., Bocquet A. , Vi r lot S. , Next generation forecasting tools for the optimal management of wind generation, 2006 International Conference on Probabilistic Methods Applied to Power Systems, Stockholm, 2006, pp. 1-6, doi: 10.1109/PMAPS.2006.360238.
• [4] Shahnia F. , Arefi A. , Ledwich G., Electric Distribution Network Planning, Power Systems, 2018, doi:10.1007/978- 981-10-7056-3
• [5] Zhang Y., Dong J, Least Squares-based Optimal Reconciliation Method for Hierarchical Forecasts of Wind Power Generation”, IEEE Transactions on Power Systems, pp. 1–10, 2018, doi:10.1109/tpwrs.2018.2868175
• [6] Yat iyana E., Rajakaruna S., Ghosh A. , Wind speed and direction forecasting for wind power generation using ARIMA model, 2017 Australasian Universities Power Engineering Conference (AUPEC), Melbourne, VIC, 2017, pp. 1-6, doi: 10.1109/AUPEC.2017.8282494.
• [7] Tambke J., von Bremen L., Barthelmie R., Palomares A.M., Ranchin T., Juban J., Kariniotakis G.N., Brownsword R.A., Waldl H.P., Short-term Forecasting of Offshore Wind Farm Production – Developments of the Anemos Project”, 2006 European Wind Energy Conference, EWEC, Feb 2006, Athènes, Greece, 13 p.
• [8] Wan C., Xu Z. , Pinson P., Dong Z.Y., Wong K.P., Probabilistic Forecasting of Wind Power Generation Using Extreme Learning Machine, IEEE Transactions on Power Systems, vol. 29, no. 3, pp. 1033-1044, May 2014, doi: 10.1109/TPWRS.2013.2287871.
• [9] Foley A.M., Leahy P.G., Marvugl i a A . , McKeogh, E. J. , Current methods and advances in forecasting of wind power generation”, Renewable Energy, vol. 37(1), pp. 1–8, 2012, doi: 10.1016/j.renene.2011.05.033
• [10] Sayenko Y., Sychenko V., Liubartsev V. , Development of Methods for Optimizing Reactive Power Modes Based on Neural Network Technologies, 2019 IEEE 6th International Conference on Energy Smart Systems (ESS), Kyiv, Ukraine, 2019, pp. 98-103, doi: 10.1109/ESS.2019.8764220.
• [11] Sayenko Y., Baranenko T., Liubartsev V. , Forecasting of Electricity Generation by Solar Panels Using Neural Networks with Incomplete Initial Data, 2020 IEEE 4th International Conference on Intelligent Energy and Power Systems (IEPS), Istanbul, Turkey, 2020, pp. 140-143, doi: 10.1109/IEPS 51250.2020.9263085.
• [12] Hayk in S.O. , Neural Networks and Learning Machines, 3rd Edition. Ontario, Canada: McMaster University, 2009.
• [13] AEMO Energy Generation Data, Australian Energy Market Operator. [Online]. Available: https://anero.id/energy/data
• [14] Weather archive in Portland (airport), Australia, [Online]. available: https://rp5.ua/Weather_archive_in_Portland_(air port)_Australia
• [15] Hudson Beale M., Hagan M.T., Demuth H.B., Neural Network Toolbox™. Users’s guide, The MathWorks, Inc., 2017.

Uwagi

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