Wyniki wyszukiwania - BazTech

Ograniczanie wyników

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Sortuj według:

Ogranicz wyniki do:

Selected Tools For Wind Farm Output Daily-Hourly Forecasting For The Wholesale Market

Rubanowicz Tomasz

Acta Energetica

2020

nr 2

36--45

Owners of generating sources after their connection to the power grid become participants of the electricity market, including the balancing market. From that moment on, each participant is obliged to forecast their own generating units' output with a specified advance time. The adopted energy transformation policy removes investment restrictions, in particular concerning the so-called distance act (10H), which stopped the dynamic development of this technology on land. This approach will contribute to the construction of more wind farms. The greater the number of generation sources dependent on weather conditions, the more difficult their predictability and the greater the risk of trade imbalances in participants ' purchasing portfolios. Every incorrect energy forecast that differs from the actual output will result in higher costs of participation in the market. Effective output forecasting allows companies to reduce the cost of their participation. This paper presents a method of forecasting wind farm output using artificial neural networks, which can be an alternative tool for analytical and statistical models. This paper aims to evaluate the effectiveness of the farm output forecast model, i.e. the output modelling for specific weather conditions. The paper presents the farm output affecting factors that should be included in the model, and it shows that the neural network can reproduce farm output curves similar to the catalogue curves with consideration of the object's characteristics. The author has exhaustively researched the subject for 10 years, reaching the main conclusion that it is impossible to create one universal forecast model for every farm. This means that each such facility requires an individual approach to obtain an effective forecast. The changing market environment requires further action and the development of new models suitable for the needs of the markets within a shorter time horizon.

Właściciele źródeł wytwórczych po przyłączeniu do sieci elektroenergetycznej stają się uczestnikami rynku energii elektrycznej, w tym rynku bilansującego. Od tego momentu każdy uczestnik zobowiązany jest do prognozowania produkcji energii własnych jednostek wytwórczych z określonym wyprzedzeniem czasowym. Przyjęta polityka transformacji energetycznej znosi ograniczenia inwestycyjne, w szczególności w zakresie tzw. ustawy odległościowej (10H), która wstrzymała dynamiczny rozwój tej technologii na lądzie. Takie podejście przyczyni się do budowy kolejnych elektrowni wiatrowych. Im większa będzie liczba źródeł wytwórczych, których produkcja zależy od warunków pogodowych, tym trudniejsza będzie ich przewidywalność i większe ryzyko niezbilansowania handlowego portfeli zakupowych uczestników. Każda błędna prognoza energii, różniąca się od rzeczywistej produkcji, będzie skutkowała większymi kosztami uczestnictwa w rynku. Skuteczne prognozowanie produkcji energii umożliwia przedsiębiorstwom redukcję kosztów ich uczestnictwa. Artykuł prezentuje metodę prognozowania energii farmy wiatrowej za pomocą sztucznych sieci neuronowych, które mogą stanowić alternatywne narzędzie względem modeli analitycznych i statystycznych. Celem artykułu była ocena skuteczności modelu prognozy energii farmy, czyli modelu odtwarzającego moc farmy dla określonych warunków meteorologicznych. W artykule przedstawiono czynniki wpływające na moc farmy, które należy uwzględnić w modelu, a także wykazano, że sieć neuronowa potrafi odtworzyć krzywe mocy farmy zbliżone do krzywych katalogowych z uwzględnieniem cech charakterystycznych obiektu. Autor przez 10 lat wyczerpał temat, dochodząc do głównego wniosku, że nie można stworzyć jednego uniwersalnego modelu prognozy dla każdej farmy. Oznacza to, że każdy tego typu obiekt wymaga indywidualnego podejścia, aby uzyskać skuteczną prognozę. Zmieniające się otoczenie rynkowe wymaga dalszych działań i opracowania nowych modeli sprawdzających się w krótszym horyzoncie czasowym na potrzeby rynków.