A Review of Methods Applied for Wind Power Generation Forecasting

• Autorzy: Aleksandra Augustyn , Jacek Kamiński

Warianty tytułu

Przegląd metod prognozowania produkcji w elektrowniach wiatrowych

• Języki publikacji: EN

Abstrakty

Dynamiczny rozwój energetyki wiatrowej w ostatnich latach generuje zapotrzebowanie na narzędzia do prognozowania produkcji w elektrowniach wiatrowych. Informacje pozyskane z wykorzystaniem modeli matematycznych są użyteczne zarówno dla właścicieli farm wiatrowych, jak i dla operatorów systemów dystrybucyjnych i przesyłowych. Posiadając informacje dotyczące przewidywanej produkcji, operator elektrowni wiatrowej może sterować pracą turbiny w czasie rzeczywistym lub zaplanować remonty i prace konserwacyjne w przyszłości. Z kolei operator systemu przesyłowego, dysponując wynikami modelu prognostycznego, może zaplanować pracę systemu elektroenergetycznego, decydując się na redukcję obciążenia w elektrowniach konwencjonalnych lub na włączenie jednostek rezerwowych. Niniejszy artykuł przedstawia przegląd obecnie stosowanych metod prognozowania produkcji w elektrowniach wiatrowych. Ze względu na charakter danych wejściowych wyróżnia się metody fizyczne oraz statystyczne. Podejście fizyczne opiera się na wykorzystaniu danych związanych z warunkami atmosferycznymi, ukształtowaniem terenu i charakterystyką farmy wiatrowej. Najczęściej bazuje na modelach numerycznych prognoz pogody NWP (ang. numerical weather prediction). Z kolei w podejściu statystycznym wykorzystuje się zbiory danych historycznych w celu ustalenia zależności zmiennych wyjściowych od parametrów wejściowych. Jednak za najkorzystniejsze pod względem jakości uzyskiwanych wyników uznaje się modele, które wykorzystują podejścia hybrydowe. Określenie najlepszego modelu okazuje się zadaniem skomplikowanym, ponieważ jego użyteczność zależy od wielu czynników. Model zastosowany w danych warunkach może charakteryzować się wysoką dokładnością, natomiast być kompletnie nieprzydatny dla innej farmy wiatrowej. (abstrakt oryginalny)

EN

The dynamic development of wind power in recent years has generated the demand for production forecasting tools in wind farms. The data obtained from mathematical models is useful both for wind farm owners and distribution and transmission system operators. The predictions of production allow the wind farm operator to control the operation of the turbine in real time or plan future repairs and maintenance work in the long run. In turn, the results of the forecasting model allow the transmission system operator to plan the operation of the power system and to decide whether to reduce the load of conventional power plants or to start the reserve units. The presented article is a review of the currently applied methods of wind power generation forecasting. Due to the nature of the input data, physical and statistical methods are distinguished. The physical approach is based on the use of data related to atmospheric conditions, terrain, and wind farm characteristics. It is usually based on numerical weather prediction models (NWP). In turn, the statistical approach uses historical data sets to determine the dependence of output variables on input parameters. However, the most favorable, from the point of view of the quality of the results, are models that use hybrid approaches. Determining the best model turns out to be a complicated task, because its usefulness depends on many factors. The applied model may be highly accurate under given conditions, but it may be completely unsuitable for another wind farm. (original abstract)

Słowa kluczowe

PL

Energetyka; Prognozowanie; Metody statystyczne; Instrumenty hybrydowe; Elektrownie wiatrowe

EN

Energetics; Forecasting; Statistical methods; Hybrid instruments; Windfarms

• Czasopismo: Polityka Energetyczna
• Rocznik: 2018
• Tom: 21
• Numer: z. 2
• Strony: 139-150

Twórcy

autor

Aleksandra Augustyn

• The Polish Academy of Sciences, Poland

autor

Jacek Kamiński

• The Polish Academy of Sciences, Poland

Bibliografia

• Banerjee et al. 2017 - Banerjee, A., Jianyan, T., Shengqiang, W. and Wei, G. 2017. Weighted Evaluation of Wind Power Forecasting Models Using Evolutionary Optimization Algorithms. Procedia Computer Science Vol. 114, pp. 357-365.
• Catalão et al. 2011 - Catalão, J.P.S., Pousinho, H.M.I. and Mendes, V.M.F. 2011. Short-Term Wind Power Forecasting in Portugal by Neural Networks and Wavelet Transform. Renewable Energy Vol. 36(4), pp. 1245-1251.
• Chang, W. 2014. A Literature Review of Wind Forecasting Methods. Journal of Power and Energy Engineering Vol. 2, pp. 161-168.
• Erns et al. 2007 - Erns, B., Oakleaf, B., Ahlstrom, M.L. and Lange, M. 2007. Predicting the Wind. IEEE Power and Energy Magazine Vol. 5(6), pp. 78-89.
• Gangui et al. 2012 - Gangui, Y., Yu, L., Gang, M., Yang, C., Junhui, L., Jigang, L. and Lei, M. 2012. The Ultra-Short Term Prediction of Wind Power Based on Chaotic Time Series. Energy Procedia Vol. 17, pp. 1490-1496.
• Giebel et al. 2011 - Giebel, G., Brownsword, R., Kariniotakis, G., Denhard, M. and Draxl, C. 2011. The State of the Art in Short term Prediction of Wind Power. A Literature Overview. Technical Report, ANEMOS. DOI: 10.13140/RG.2.1.2581.4485.
• Global Wind Energy Council, 2017. Global Wind Report - Annual Market Update 2017. [Online] http://gwec.net/publications/global-wind-report-2/ [Accessed: 2018-05-04].
• Herrero-Novoa et al. 2017 - Herrero-Novoa, C., Perez, I.A., Sanchez, M.L., Garcia, M.A., Pardo, N. and Fernandez-Duque, B. 2017. Wind Speed Description and Power Density in Northern Spain. Energy Vol. 138, pp. 967-976.
• IRENA 2018 - Renewable Energy Statistics 2018. International Renewable Energy Agency.
• de Jong et al. 2016 - de Jong, P., Kiperstok, A., Santos Sanchez, A., Dargaville, R. and Torres, E.A. 2016. Integrating Large Scale Wind Power into the Electricity Grid in the Northeast of Brazil. Energy Vol. 100, pp. 401-415.
• Jung, J. and Broadwater, R.P. 2014. Current Status and Future Advances for Wind Speed and Power Forecasting. Renewable and Sustainable Energy Reviews Vol. 31, pp. 762-777.
• Karkoszka, K. 2010. Forecasting methodologies of the electrical power generation from wind farms for the purpose of operation and balancing of power systems (Metody prognozowania wielkości mocy elektrycznej z farm neutronowych dla potrzeb bilansowania oraz prowadzenie ruchu krajowego systemu elektroenergetycznego). Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią Polskiej Akademii Nauk No. 78, pp. 75-86 (in Polish).
• Kong et al. 2015 - Kong, X., Liu, X., Shi, R. and Lee, K.Y. 2015. Wind Speed Prediction Using Reduced Support Vector Machines with Feature Selection. Neurocomputing Vol. 169, pp. 449-456.
• Lange, M. and Focken, U. 2005. State-of-the-Art in Wind Power Prediction in Germany and International Developments. Technical University of Denmark, 111 pp.
• Lei et al. 2009 - Lei, M., Shiyan, L., Chuanwen, J., Honggling, L. and Yan, Z. 2009. A Review on the Forecasting of Wind Speed and Generated Power. Renewable and Sustainable Energy Reviews Vol. 13(4), pp. 915-920.
• Mangalova, E. and Shesterneva, O. 2016. K-Nearest Neighbors for GEFCom2014 Probabilistic Wind Power Forecasting. International Journal of Forecasting Vol. 32(3), pp. 1067-1073.
• Marčiukaiti et al. 2017 - Marčiukaiti, M., Žutautaitė, I, Martišauskas, L., Jokšas, B., Gecevičius, G. and Sfetsos, A. 2017. Non-Linear Regression Model for Wind Turbine Power Curve. Renewable Energy Vol. 113, pp. 732-741.
• Nielsen et al. 2007 - Nielsen, H.A., Nielsen, T.S., Madsen, H., Pindado, M.J. and Marti, I. 2007. Optimal Combination of Wind Power Forecasts. Wind Energy Vol. 10(5), pp. 471-482.
• Okumus, I. and Dinler, A. 2016. Current Status of Wind Energy Forecasting and a Hybrid Method for Hourly Predictions. Energy Conversion and Management Vol. 123, pp. 362-371.
• Perez-Arriaga, I.J. and Batlle, C. 2012. Impacts of Intermittent Renewables on Electricity Generation System Operation. Economics of Energy & Environmental Policy Vol. 1(2), pp. 3-18.
• Pietrek, S. 2006. Numerical Weather Prediction (Numeryczne prognozy pogody). Zeszyty Naukowe -Warszawska Wyższa Szkoła Informatyki Vol. 1, pp. 93-103 (in Polish).
• Schleich et al. 2017 - Schleich, J., Walz, R. and Ragwitz, M. 2017. Effects of Policies on Patenting in Wind-Power Technologies. Energy Policy Vol. 108, pp. 684-695.
• Sharifian et al. 2018 - Sharifian, A., Jabbari Ghadi, M., Ghavidel, S., Li, L. and Zhang, J. 2018. A New Method Based on Type-2 Fuzzy Neural Network for Accurate Wind Power Forecasting under Uncertain Data. Renewable Energy Vol. 120, pp. 220-230.
• Stefanowski J. 2006. Artificial Neural Network. Lecture (Sztuczne Sieci Neuronowe. Wykład). [Online] http://www.cs.put.poznan.pl/jstefanowski/aed/TPDANN.pdf [Accessed: 2018-05-04].
• Zhang et al. 2014 - Zhang, Y., Wang, J. and Wang, X. 2014. Review on Probabilistic Forecasting of Wind Power Generation. Renewable and Sustainable Energy Reviews Vol. 32, pp. 255-270.
• Zhao et al. 2011 - Zhao, X., Wang, S. and Li, T. 2011. Review of Evaluation Criteria and Main Methods of Wind Power Forecasting. Energy Procedia Vol. 12, pp. 761-769.

Identyfikatory

DOI

10.24425/122767