Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 2

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: wind energy potential

Sortuj według:

Ogranicz wyniki do:

Forecasting wind capacity using Gauss regression models based on nuclear functions

Niekurzak Mariusz

Rynek Energii

2022

Nr 4

61--71

Energy obtained from wind is characterized by high variability of output power and low availability, therefore it is necessary to predict their future energy production for economic purposes. The aim of the work is to develop and investigate forecasting methods allowing to increase the accuracy of wind farm power prediction with the use of artificial intelligence methods. The study explores the potential of various Gaussian Process Regression (GPR) models based on nuclear functions. In particular, the proposed models are dedicated to short-term prediction. The analysis was based on the operation of 6 wind farms located in Poland. A total of 120 sets of input data were selected for training and testing of the proposed models, and then their impact on the change in the accuracy of the forecasts was verified. As a result of the research, various structures of prognostic models were proposed and tested in order to select the most favorable variant. The comparison of the developed models based on the GPR method shows that the Pearson Universal Kernel (PUK) model was the superlative model. The prediction results of the GPR-PUK model turned out to be the most accurate and in line with the actual values, which allowed to verify the feasibility and effectiveness of using this model for forecasting. Machine learning methods will be able to show higher efficiency with the increase in the amount of data and the expansion of the set of potential explanatory variables. In the sea of data, machine learning methods are able to create predictive models more effectively without the need for tedious analyst interference in data preparation and multi-stage analysis. They will also allow for any frequent updating of the form of forecasting models, even after each addition to the data set.

Energia pozyskiwana z wiatru charakteryzuje się dużą zmiennością mocy wyjściowej i niską dyspozycyjnością, konieczne jest zatem przewidywanie ich przyszłej produkcji energii dla celów ekonomicznych. Celem pracy jest opracowanie i zbadanie metod prognostycznych pozwalających zwiększyć dokładność predykcji mocy elektrowni wiatrowej przy wykorzystaniu metod sztucznej inteligencji. W opracowaniu zbadano potencjał różnych modeli regresji procesu Gaussa (GPR) opartych na funkcjach jądra. W szczególności zaproponowane modele dedykowane są do predykcji krótkoterminowej. Analiza opierała się na pracy 6 elektrowni wiatrowych zlokalizowanych na terenie Polski. Do szkolenia i testowania proponowanych modeli wybrano łącznie 120 zestawów danych wejściowych, a następnie zweryfikowano ich wpływ na zmianę dokładności wykonanych prognoz. W wyniku przeprowadzonych badań, zaproponowano i przetestowano różne struktury modeli prognostycznych, w celu wyboru najkorzystniejszego wariantu. Porównanie opracowanych modeli opartych na metodzie GPR pokazuje, że modelem superlatywnym był model jądra uniwersalnego Pearsona (PUK). Wyniki przewidywania modelu GPR-PUK okazały się najdokładniejsze i są zgodne z rzeczywistymi wartościami, co pozwoliło w ten sposób zweryfikować wykonalność i skuteczności zastosowania tego modelu do prognozowania. Metody uczenia maszynowego będą mogły wykazać się wyższą skutecznością wraz ze wzrostem liczby danych oraz rozszerzeniem zbioru potencjalnych zmiennych objaśniających. W morzu danych metody uczenia maszynowego są w stanie skuteczniej tworzyć modele prognostyczne bez konieczności żmudnej ingerencji analityka w przygotowanie danych i wieloetapową analizę. Pozwolą także na dowolnie częstą aktualizację postaci modeli prognostycznych, nawet po każdym uzupełnieniu zbioru danych.

Comparative characterization study of the variability of wind energy potential by wind direction sectors for three coastal sites in Lomé, Accra and Cotonou

Ajavon A. S. A., Salami A. A., Kodjo M. K., Bédja K.-S.

Journal of Power Technologies

2015

Vol. 95, nr 2

134--142

This paper presents the characterization of the distribution of wind speeds across sectors of directions in order to study the variability of wind energy potential on sites in Lomé (Togo), Accra (Ghana) and Cotonou (Benin) in the Gulf of Guinea. To this end, we developed a software application in MATLAB aimed at wind data processing. Each site’s wind speed data collected over a period from January 2000 to December 2012 at a height of 10 m above the ground were divided into eight sectors of direction of 45 degrees each, according to the wind directions measured. Parameters such as K (shape factor) and C (scale factor) of Weibull distributions as well as the skewness and kurtosis coefficients were obtained for each sector. The study analyzes the variations of the statistical parameters computed based on the number of hours during which wind blows in each sector of direction. The results show that the South and South-West sectors are areas of prevailing winds and have higher wind energy potential compared to other sectors in general on the 3 sites considered. The more frequent the wind blows in a sector of direction, the higher the Weibull parameters, while the coefficients of skewness and kurtosis of the distributions of wind speeds show a downward trend for all 3 sites.