CC BY
19
Богдан Алексеевич Соловьев Bogdan Л. Solovev
магистрант кафедры
«Электротехника и электрооборудование предприятий», Уфимский государственный нефтяной технический университет, Уфа, Россия
Гиорги Кахаберович Гамисония Giorgi К. Gamisonia
магистрант Уфимской высшей школы экономики и управления, Уфимский государственный нефтяной технический университет, Уфа, Россия
УДК 620.92, 620.93, 621.31
DOI: 10.17122/1999-5458-2022-18-3-4-108-120
МЕТОДЫ ПРОГНОЗИРОВАНИЯ МОЩНОСТИ ВЕТРА ДЛЯ ШЕЛЬФОВЫХ ВЕТРОЭЛЕКТРОСТАНЦИЙ
Актуальность
Прогноз энергии ветра позволяет оценить возможности производства ветряных электростанций в краткосрочной перспективе. Под производством часто понимается доступная мощность рассматриваемой ветряной электростанции. К примеру, на сегодняшний день установленная мощность ветра в России достигала 20 ГВт. Операторы, занимающиеся непосредственно передачей электроэнергии, пользуются существующими инструментами для прогнозирования производства ветра на срок до 48 ч. Инструменты прогнозирования помогают оптимизировать управление энергосистемой. В данной статье рассматриваются актуальные способы прогнозирования в области ветровой энергетики, оцениваются их эффективность и ценность для наиболее эффективного контроля ветровой энергетики. Особое внимание уделяется текущим разработкам моделей прогнозирования ветровой энергии для шельфовых ветроэлектростанций.
Цель исследования
Провести сравнительный анализ существующих способов прогнозирования в области ветровой энергетики при общих заданных условиях, выбрать оптимальный для конкретного случая способ.
Методы исследования
Для решения поставленной задачи авторы провели сравнительный анализ ныне существующих способов прогнозирования ветровых электростанций, сравнивая их применимость со спецификацией области использования.
Результаты
В ходе исследования проанализированы современные инструменты прогнозирования энергии ветра, проведён сравнительный анализ, сделаны выводы о применимости каждого из способов.
Ключевые слова: ветроэнергетика, краткосрочное прогнозирование, шельф, оптимизация, эффективность, модель, инструмент, управление, математическая модель, уровень ошибки прогноза
WIND POWER PREDICTION METHODS FOR SHELF WIND POWER PLANTS
Relevance
Wind energy forecasting is an opportunity to evaluate the production possibilities of a wind farm in the short term. Production often refers to the available capacity of the wind farm in question. For example, to date, the installed wind power in Russia has reached 20 GW. Direct transmission operators use existing tools to forecast wind production up to 48 hours. Forecasting tools help optimize power system management. This article discusses the abundance of relevant forecasting methods in the field of wind energy, evaluates their effectiveness and value for the most effective control of wind energy. Particular attention is paid to the ongoing development of wind energy forecasting models to meet the specifics of shelf.
Aim of research
Conduct a comparative analysis of existing forecasting methods in the field of wind energy under general given conditions, choose the best method for a particular case.
Research methods
To solve the problem, the authors conducted a comparative analysis of the popular, currently existing methods for forecasting wind farms, comparing their applicability with the specification of the area of use.
Results
In the course of the study, modern wind energy forecasting tools were analyzed, a comparative analysis was carried out, and conclusions were drawn about the applicability of each of the methods.
Keywords: wind energy, short-term forecasting, shelf, optimization, efficiency, model, tool, control, mathematical model, forecast error level
Введение
Способность эффективно управлять интеграцией ветра в энергосистему зависит, в первую очередь, от предсказуемости, а не от изменчивости ветрогенера-ции. Прогнозирование ветроэнергетики в настоящее время признано экономически эффективным решением, способным предоставить адекватную информацию о производстве ветряных электростанций в период от нескольких часов до нескольких дней. Повышение ценности ветроге-нерации за счет улучшения систем прогнозирования является одним из приоритетов в исследованиях ветроэнергетики на ближайшие годы.
Прогнозы могут быть использованы по следующим направлениям.
• Оптимизация управления энергосистемой с помощью таких функций, как экономическая диспетчеризация, блокирование, динамическая оценка безопасности, распределение резервов, обмен
электроэнергией с соседними системами, планирование гидроаккумулирования и т.д. Горизонт прогнозирования зависит от размера энергосистемы. Для взаимосвязанных систем или для больших изолированных систем с «медленными» агрегатами (например паровыми турбинами) это обычно составляет от 48 до 72 ч. Для небольших автономных систем, включающих только быстродействующие агрегаты, такие, как дизель-генераторы или газовые турбины, горизонт может составлять порядка 3-6 ч. В настоящее время существует лишь несколько онлайновых приложений этого типа, главным образом в островных системах. Проектом, содержащим инструменты для изолированных систем, является европейский проект MORE-CARE.
• Оптимальная торговля ветровой продукцией на рынке электроэнергии. Участники рынка должны предоставить свой график генерации на рассматривае-
-109
и системы. № 3-4, т. 18, 2022
мыи горизонт, а отклонения от этого графика влекут за собоИ штрафные санкции. Краткосрочные прогнозы ветра позволяют минимизировать эти штрафы. Временная шкала интереса определяется рыночными правилами, но горизонты обычно лежат в пределах 48 ч.
Цель данноИ статьи состоит в том, чтобы дать обзор доступных методов прогнозирования и уровня их эффективности. Представлены также фактические исследования по адаптации существующих методологии прогнозирования к морским условиям, а также исследования, проводимые для лучшего понимания особенностеи морских месторождении.
Методы прогнозирования в области
изучения ветроэнергетики
Прогнозирование в сфере ветроэнергетики строится на основе прогноза мощности ветра, сделанного в момент начала времени t для предсказания на время t + k, и представляет собоИ среднюю мощность Pt+k/t ветровоИ электростанции [1]. Прогнозы делаются на горизонт Т, указывающий общую продолжительность периода прогноза в будущем (обычно на 48 ч вперед). Временное разрешение прогнозов обозначается временным шагом k. Длина временного шага (количество минут) связана с длиной горизонта. Обычно для горизонта порядка 24-48 ч шаг по времени часовой. Внутришаговые (т.е. внутричасовые) изменения мощности и их влияние не учитываются, поскольку численные прогнозы погоды (ЧПП) скорости ветра, которые часто используются в качестве входных данных, задаются как постоянные значения для рассматриваемого шага (т.е. на следующий час). Стоит обратить внимание, что для очень коротких горизонтов (< 4-6 ч) модели временных рядов, основанные только на оперативных производственных данных, способны давать прогнозы с временным разрешением 10-15 мин.
На практике значение измеренной мощности р1 получается путем усреднения измерения с более высоким разрешением (т.е. каждые 1 мин, 10 мин и т.д.), которые могут быть мгновенными значениями мощности или энергии в зависимости от системы сбора данных.
Ошибка предсказания определяется как:
ег+кД = Р{+к _ Ш+к/г- (1)
Часто бывает удобно ввести нормализованную ошибку прогноза:
= ТГ ^Рг+к ~ (2)
*П
где Рп — установленная мощность ветро-парка.
Нормализация позволяет сравнивать ошибки прогнозирования, связанные с ветряными электростанциями различной установленной мощности. Следует отметить, что уравнение (1) дает формальное определение ошибки в теории анализа временных рядов, где положительная ошибка означает недооценку мощности, а отрицательная ошибка означает завышение прогноза.
Эталонные модели
Оперативное использование передового инструмента для прогнозирования ветра имеет смысл только в том случае, если он может превзойти методы, основанные на простых соображениях, без специального моделирования. Такие простые методы используются в качестве эталона для оценки более сложных. Наиболее часто используемым эталонным предиктором является утверждение, что будущая выработка ветра будет такой же, как и последнее измеренное значение мощности, т.е.
р£+кЛ = Ре- (3)
В соответствии с приведенным выше определением ошибка для нулевого временного шага равна 0. Несмотря на свою кажущуюся простоту эту модель трудно превзойти для первого времени прогно-
зирования (до 4-6 ч). Это связано с масштабом изменений в атмосфере, которые происходят относительно медленно [2]. Системе низкого давления требуется около одного или трех дней, чтобы пересечь континент. Системы высокого давления могут быть еще более стационарными, но они не связаны с сильным ветром и поэтому не очень интересны для прогнозирования ветровой энергии.
Обобщение модели состоит в использовании среднего значения последних п измеренных значений:
= (4)
Такие модели часто называют предикторами скользящего среднего. Асимптотически (при стремлении п к бесконечности) они стремятся к глобальному среднему:
+ = (5)
где — среднее значение всех доступных наблюдений энергии ветра в момент времени t.
Уравнение (5) определяет климатологическую среднюю, оно также может рассматриваться как эталонная модель, но поскольку она не является динамической, ее эффективность может быть очень низкой для начальных горизонтов прогнозирования. Тем не менее, для дальнейшего прогнозирования на более длинные горизонты модель демонстрирует лучшую эффективность.
Основные подходы
В качестве основных подходов к прогнозированию ветроэнергетики выделяют те, которые включают в себя численные прогнозы погоды (ЧПП) и измерения в качестве входных данных. Это единственные подходы, способные обеспечить приемлемую точность в течение следующих 24-48 ч. В качестве альтернативы могут быть построены модели, получающие в качестве входных данных
только измерения (сила ветра, скорость и т.д.). Однако производительность таких моделей может быть приемлемой лишь до 3-6 ч вперед. Для более длинных горизонтов необходимо включение данных ЧПП. Включение измерений в качестве входных данных в основные подходы вместе с ЧПП способствует их хорошей работе в первом интервале горизонта прогнозирования (0-6 ч).
Физический подход
Основные входные данные для физической модели:
— динамическая информация: численные прогнозы погоды на ближайшие часы, предоставляемые метеорологической службой;
— статическая информация: описание установки ветряной электростанции (количество турбин, кривая мощности и т.д.); описание местности, неровности, расположение ветряных турбин и препятствия.
Система ЧПП (метеорологическая служба) обычно предоставляет прогнозы скорости ветра для сетки окружающих точек вокруг ветровой электростанции. В зависимости от типа системы ЧПП эти прогнозы даются с пространственным разрешением в несколько километров, обычно 10-15 км. Целью первого шага моделирования для конкретной площадки является интерполяция прогнозов скорости ветра (и других переменных, таких как направление) на уровень ветровой электростанции. В качестве первого шага необходимо решить, какой уровень ЧПП является наиболее эффективным. Для дальнейшего запуска модели необходимо иметь подробное описание местности, окружающей ветровую электростанцию. Обычно требуется информация о планировке ветряной электростанции, неровностях, препятствиях и орографии. Сбор этой информации требует больших трудозатрат при реализации физических моделей.
Несмотря на то, что перед использованием таких моделей на рабочем уровне требуется дальнейшая работа по проверке и большая вычислительная мощность, считается, что такие модели могут значительно улучшить моделирование потока на площадках ветряных электростанций, особенно на сложном рельефе.
Наконец, в некоторых случаях ЧПП предоставляются непосредственно метеорологической службой на уровне ветряной электростанции в виде интерполированных значений. Однако если интерполяция основана на простых математических соотношениях, не учитывающих нелинейности из-за рельефа, могут быть внесены значительные ошибки. Использование кривой мощности производителя является самым простым подходом, хотя более новые исследования показали, что полезно оценивать кривую мощности на основе прогнозируемой скорости и направления ветра и измеряемой мощности [3]. Обычно преобразование скорости ветра в мощность достигается с помощью матрицы мощности ветровой электростанции. Следует подчеркнуть, что метод получения этой матрицы мощности имеет решающее значение, если этот этап не должен внести дополнительную неопределенность в прогнозы. На основе этих данных модель прогнозирует уровень мощности.
Статистический подход
Альтернативный основной подход к прогнозированию основан на чисто статистическом моделировании. Этапы моделирования конкретной площадки и кривой мощности заменяются уникальным этапом, который напрямую преобразует входные переменные (ЧПП, онлайн-данные) в мощность.
Статистические модели в их чистом виде пытаются найти взаимосвязь между множеством объясняющих переменных, включая ЧПП, и данными онлайн-изме-
рений (в основном мощность, но также скорость или направление ветра, если они доступны) обычно с использованием рекурсивных методов. Часто используются искусственные нейронные сети. Статистические модели также можно использовать для прогнозирования скорости ветра. Однако этим промежуточным этапом часто пренебрегают и разрабатывают уникальную модель, непосредственно направленную на прогноз мощности.
Ниже приводится упрощенный пример того, как может быть сформулирована статистическая модель. Модель использует ЧПП и измеренную выработку (если она доступна в режиме онлайн) для прогнозирования будущей выработки электроэнергии. Общая форма модели:
А+к/1 = /(Рс ^+£чпп' ЧПП' (6)
где Pt+k/t — прогноз мощности на время : + ^ сделанный во время :;
р( — прошлые производственные показатели в момент времени :, также могут быть добавлены измеренные значения скорости ветра, направления и т.д.;
ш+^чпп — прогноз скорости ветра ЧПП на время : + ^ сделано в момент времени
:ЧПП;
0е+*чпп — прогноз направления ветра ЧПП для : + ^ сделано в момент времени
:ЧПП;
*е+-чпп — обозначает другие доступные переменные ЧПП, прогнозируемые в момент времени :ЧПП для времени : + ^
Прогнозы на несколько шагов вперед можно генерировать либо путем разработки специальной модели для каждого горизонта, либо путем итеративного использования модели, т.е. чтобы произвести прогноз для : +2, прогноз фг+к/г для : +1 возвращается в качестве входных данных для модели вместо наблюдаемой мощности.
Комбинированный подход
В последнее время было разработано несколько подходов, основанных на сочетании различных моделей. Конечная цель состоит в том, чтобы извлечь выгоду из преимуществ каждой модели и получить глобальную оптимальную производительность для исследуемого горизонта. Типы комбинаций могут быть:
— сочетание физического и статистического подходов (например Zephyr [4] (рисунок 1));
— сочетание краткосрочных (0-6 ч) и среднесрочных (0-48 ч) моделей (например MORE-CARE (рисунок 2));
— сочетание альтернативных статистических моделей (например SipreoHco [5] (рисунок 3)).
Обзор инструментов прогнозирования, доступных в настоящее время
На рисунке 4 отображено географическое распространение применения энергии ветра, из чего можно сделать вывод о том, что на многих континентах используют энергию ветра, а, значит, существует потребность в ее прогнозировании.
Из таблицы 1 очевидна заметная доля ветроэнергетики в общем энергетическом
Рисунок 1. Пользовательский интерфейс программного пакет Zephyr Figure 1. Zephyr user interface Электротехнические и информационные комплексы и системы. № 3-4, т. 18, 2022
EE*
..fjil
h>- 'V ч,^.4.« I in, n«
Mn If n! t IH
-JfflJdEl
B
ч
-Я- H
щ
■ ■ 1. [---
Рисунок 2. Прогнозирования мощности в ПО More-Care Figure 2. User interface of the wind power prediction module of More-Care
f ',11'ill nill.U JI ill n
AttfM
it, • ♦ r* RED
(LtCTfllCA
9
3 |"Buet»w*«I(f HknrilrvaJiuM JUunahl^J
XCÛ
НАЫвШШ1 (Amndnnto W«.MC»l1ia ШЬВПГШ ftvai шли da POTtHClA «h Tiit J tip „г j
ш> -
1Ш
НТО
ut
-Г -1- * i /ч ; / \ 4 V_____.1,..........
и г .....1.......................
.............1............. 1
........... xs 4' 4 4
* 2 i t j . j.....
Hv*in4 4« *tt«M
Рисунок 3. Прогнозирование выработки ветровой энергии на следующие 48 ч
на основе предыдущих 48 ч
Figure 3. Forecasting wind power generation for the next 48 h based on the previous 48 h
114-
Electrical and data processing facilities and systems. № 3-4, v. 18, 2022
Рисунок 4. Распределение возобновляемых источников энергии по миру
Figure 4. Distribution of renewable energy sources around the world Таблица 1. Ресурсы возобновляемых источников энергии в мире и России Table 1. Resources of renewable energy sources in the world and in Russia
Теоретические ресурсы, Технические ресурсы,
Вид энергии млн, т.у.т. млн, т.у.т.
Мир Россия Мир Россия
Энергия Солнца 1,3108 2,3^06 5,3^04 2,3^03
Энергия ветра 2Д105 2,6^04 2,2^04 2,0^03
Геотермальная энергия (до глубины 10 км) 4,8^09 - 1,7^05 1,0102
Энергия Мировогоокеана 2,5^05 - - -
Энергия биомассы 9,9^04 104 9,5^03 53
Гидроэнергия 5Д103 3,6-102 1,7^03 1,2^102
портфеле возобновляемых источников. В настоящее время существует множество моделей прогнозирования энергии ветра, причем как готовых коммерческих продуктов, так и исследовательских проектов.
Однако в эксплуатации находятся лишь несколько моделей. В приведенном ниже описании особое внимание уделяется операционным моделям. Уже в 1990 г. Ландберг разработал краткосрочную модель прогнозирования, основанную на
физических рассуждениях. Идея состоит в том, чтобы использовать скорость и направление ветра из NWP, затем преобразовать этот ветер в местный участок, использовать кривую мощности и, наконец, скорректировать это с помощью эффективности парка. Он обнаружил, что для сходимости MOS необходимы данные примерно за 4 мес. Ландберг использовал датскую версию: модель HIRLAM DMI в качестве входных данных NWP, модель WAsP от Ris0 для преобразования ветра в местные условия и модель Riso PARK для учета более низкого выхода в ветряной парк из-за волновых эффектов.
Существуют две общие возможности для преобразования ветра HIRLAM в местные условия: ветер может быть с одного из более высоких уровней в атмосфере и, следовательно, рассматривается как геострофический ветер, или ветер может быть предложением ЧПП для ветра, в 10 м над уровнем моря [6]. Обычно этот ветер не очень точно адаптируется к местным условиям, но будет довольно общим ветром со средней шероховатостью, характерной для области, смоделированной в точке сетки. Если используется ветер с верхнего уровня, то процедура следующая: по геострофическому ветру и местной шероховатости вычисляется скорость трения u* по закону геострофического сопротивления. Затем это используется в логарифмическом профиле высоты опять же вместе с локальной шероховатостью.
Оценка места на предмет шероховатости выполняется в качестве входных данных для WAsP. Требуется либо роза шероховатостей, либо карта шероховатостей. Исходя из этого, WAsP определяет среднюю шероховатость на высоте ступицы. Это — шероховатость, используемая в законе геострофического сопротивления или логарифмическом профиле. Используется только одна поправочная матрица WAsP, что может быть недостаточно для
более крупной ветровой электростанции. В своей первоначальной работе Ландберг и Уотсон определили идеальным уровнем ШЯЬАМ уровень моделирования 27, так как он дает наилучшие результаты. Однако DMI изменил операционную модель ШЯЬАМ в июне 1998 г., и Joensen с соавторами обнаружил, что после изменения ветер на высоте 10 м был намного сильнее, чем ветер с более высоких уровней. После изменения проходящие штормовые системы также стали лучше предсказываться. Модель была протестирована в ESB (Совет по электроснабжению, Ирландия) и в Айове [7] . Prediktor также используется в универсальной системе SCADA (диспетчерское управление и сбор данных) С^е^агт для планирования технического обслуживания.
Инструмент прогнозирования ветровой энергии (ДИФ) был разработан Институтом информатики и математического моделирования (ИММ) Технического университета Дании. ДИФ работает в западной части Дании с 1994 г., а в восточной части — с 1999 г. [8]. Первоначально они использовали адаптивную рекурсивную оценку методом наименьших квадратов с экспоненциальным забыванием в многоступенчатой настройке для прогнозирования от 0,5 до 36 ч. Однако из-за недостаточного качества результатов для более высоких горизонтов прогнозирования оперативные прогнозы использовались только до 12 ч. В более поздней версии были добавлены прогнозы ШЯЬАМ, что позволило расширить диапазон полезных прогнозов до 39 ч. Эта версия успешно эксплуатируется ЕЬаш и другими датскими утилитами.
ДИФ подразумевает статистическое моделирование, а именно условные параметрические модели. Эти модели превосходят традиционные параметрические модели. Это — нелинейные модели, сформулированные как линейные, в кото-
рых параметры заменены гладкими, но в остальном неизвестными функциями одной или нескольких объясняющих переменных. Эти функции называются коэффициент-функциями.
Адаптивность параметров модели ко времени является важным свойством, которое модели прогнозирования ветровой энергии должны учитывать при изменении условий приложения, таких как изменения в окружающей среде или даже количество ветряных электростанций в рассматриваемой области, изменения в Модель ЧПП и т.д. Это вызвано такими эффектами, как старение ветряных турбин, изменения в окружающей растительности и, возможно, самое главное — изменениями в моделях ЧПП, используемых метеорологической службой, а также изменениями в популяции ветров [9].
ARMINES протестировала различные подходы к прогнозированию ветроэнергетики на основе ARMA, нейронных сетей различных типов (обратное распространение, RHONN и т.д.), нечетких нейронных сетей, вейвлет-сетей и т.д. В результате этой процедуры бенчмаркинга были найдены модели, основанные на нечетких нейронных сетях [10].
ISET (Institut für Solare Energieversorgungstechnik) оперативно работает с краткосрочным прогнозированием, используя модель DWD и нейронные сети с 2000 г. Он вышел из немецкой федеральной программы мониторинга WMEP (Wissenschaftliches Mess- und Evaluierungs Programm), в рамках которой необходимо было детально отслеживать рост ветровой энергии в Германии [11]. Их первым заказчиком была компания E.On, которой изначально не хватало обзора текущего производства ветровой энергии, и поэтому она нуждалась в инструменте для прогнозирования текущей погоды. Тогда их модель называлась Advanced Wind Power Prediction Tool AWPT.
Эрнст и Рориг сообщили в Норчепинге о последних разработках системы управления ветровой энергией ISET WPMS. Сейчас они прогнозируют 95 % всей ветровой энергии в Германии.
eWind — модель компании TrueWind, Inc. Вместо того, чтобы использовать раз и навсегда параметризацию для локальных эффектов, как это делает подход Ris0 WAsP, они запускают численную модель погоды ForeWind как мезомасштабную модель, используя граничные условия из региональной модели погоды. Таким образом, фиксируется больше физических процессов, и прогноз может лучше адаптироваться к локальному сайту. В начальной конфигурации системы eWind они использовали модель MASS (мезомасштабная система моделирования атмосферы). В настоящее время используются дополнительные мезомасштабные модели: ForeWind, MM5, WRF, COAMPS, workstation-ETA и OMEGA. Горизонт их прогноза составляет 48 ч. Они опубликовали улучшение RMSE на 50 % по сравнению с Persistence в диапазоне 12-36 ч для 5 ветряных башен в Пенсильвании. Недавно они предложили новую методику, основанную на быстром цикле обновления, которая сможет ассимилировать большой объем входных метеорологических данных и данных дистанционного зондирования.
Сильный рост ветровой энергии в Испании побудил Red Eléctrica de España (Испанский TSO) использовать инструмент Sipreólico, разработанный Университетом Карлоса III в Мадриде. Инструмент основан на испанских прогнозах HIRLAM с учетом почасовых данных SCADA от 80 % всех испанских ветряных турбин. Затем эти входные данные используются в адаптивных непараметрических статистических моделях вместе с различными моделями кривой мощности. Используется 9 различных моделей в зависимости от наличия данных: одна из них работает по аналогии с моде-117
лями для очень краткосрочного прогнозирования, вообще не используя входные данные ЧПП; еще три всё чаще включают более высокие значения прогнозируемой скорости ветра; а ещё три также учитывают прогнозируемое направление ветра; последние две являются комбинацией других плюс непараметрический прогноз суточного цикла.
Эти 9 моделей рекурсивно оцениваются как с помощью алгоритма рекурсивных наименьших квадратов (RLS), так и с помощью фильтра Калмана (это приводит к 18 моделям). Для алгоритма RLS используется новый подход к определению коэффициента адаптивного забывания, основанный на связи между влиянием нового наблюдения с использованием расстояния Кука в качестве меры и вероятностью того, что параметры изменились. Результаты этих 18 моделей затем используются в комбинации прогнозов, где член ошибки основан на экспоненциально взвешенной среднеквадратичной ошибке прогноза с коэффициентом забывания, соответствующим 24-часовой памяти. Основной проблемой испанского случая является испанская модель HIRLAM в сочетании со сложным рельефом. Разрешение HIRLAM недостаточно высоко, чтобы разрешить течение во многих внутренних районах.
Текущие исследования по адаптации
моделей к морским условиям
Будущие основные разработки ветроэнергетических мощностей, скорее всего, будут происходить на шельфе. Более высокие и регулярные скорости ветра, а также возможность установки многочисленных и мощных (многомегаваттных) ветряных турбин являются основными преимуществами выхода на море для производства электроэнергии. Скорость ветра в классах выработки электроэнергии в морской среде более постоянна, чем на берегу. Затишья бывают реже и менее
продолжительны. Кроме того, оффшорной ветровой энергии может быть достаточно для удовлетворения местного спроса в таких странах, как Великобритания или Дания. Например, ветряная электростанция Horns Rev мощностью 160 МВт в Дании (эксплуатация с декабря 2002 г.) представляет собой первое техническое достижение такого рода крупномасштабных морских проектов. Только эта конкретная ветровая электростанция способна обеспечить до 2 % всего потребления электроэнергии в Дании. Несколько других примеров очень амбициозных шельфовых проектов находятся в стадии изучения или разработки в некоторых европейских странах.
Все современные модели прогнозирования изначально разрабатывались для наземных условий. В случае оффшорных месторождений необходимо учитывать особенности моделирования для адаптации физических моделей. Этот факт уже признан для проблемы оценки ресурсов. В связи с распространением ветряных турбин на большой площади необходимо изучать следовые эффекты и влияние побережья. Крупные кластеры морских ветряных электростанций можно моделировать с помощью стандартных моделей ветряных электростанций, но они, как правило, недооценивают расстояния восстановления ветровой энергии. Есть еще возможности для улучшения этих моделей.
Адаптация моделей физического прогнозирования не является простой задачей, поскольку для оценки ресурсов необходимо реальное понимание профилей скорости ветра в открытом море и характеристик ветра в целом. В северной части Европы мониторинг морского ветра в течение более 10 лет позволил получить более полное представление о характеристиках морского ветра. Исследования по моделированию морского ветра продолжаются и будут служить для адаптации моделей физического прогнозирования.
Статистические альтернативы, а точнее методы, основанные на искусственном интеллекте, не требуют очень точного знания морских условий для разработки подходящих моделей прогнозирования. Действительно, эти методы можно научить давать оценку выходной мощности ветряной электростанции для заданных метеорологических условий, что позволяет избежать всех промежуточных этапов физического моделирования. Подход, основанный на нечеткой нейронной сети, был адаптирован и оценен для оффшорной ветровой электростанции в Дании [12]. Результаты обнадеживают, разработаны первые конфигурации моделей, основанные на виртуальной кластеризации крупных морских ветровых электростанций.
Выводы
Краткосрочное прогнозирование прошло долгий путь с момента его первых попыток. Первые модели появились в начале 90-х гг. прошлого века, но с тех пор в этой области появилось больше игроков, что привело к тому, что сегодня во всем мире доступно множество моделей. Хотя они используют различные подходы, их можно разделить на две категории: I — физическая, для которой учитываются характеристики местности для масштабирования прогнозируемой скорости ветра на уровне ветровой электростанции; II — статистическая, для которой разрабатываются и обучаются чисто математические модели для вычисления
Список источников
1. Thor S. E., Weis-Taylor P. Long-Term Research and Development Needs for Wind Energy for the Time Frame 2000-2020 // Wind Energy: An International Journal for Progress and Applications in Wind Power Conversion Technology. 2002. Vol. 5. No. 1. P. 73-75.
выходной мощности на основе различных входных данных.
В настоящее время главной проблемой является точность современных моделей прогнозирования. Такой анализ производительности моделей проводится в рамках проекта ANEMOS, чтобы информировать конечных пользователей об уровне ошибки прогноза, который они могут ожидать в зависимости от характеристик площадки, рассматриваемого подхода к прогнозированию, используемых ЧПП и т.д.
Программное обеспечение для прогнозирования всегда зависит от места. Именно здесь опыт устанавливающих учреждений имеет наибольшее значение. При оценке систем прогнозирования необходимо учитывать их надежность в условиях эксплуатации и другие факторы.
Несмотря на появление на сегодняшний день множества подобных подходов, в ряде областей проводятся дальнейшие исследования.
Теперь, когда ожидается, что основные разработки в области ветроэнергетики будут происходить на шельфе, необходимо адаптировать существующие подходы к прогнозированию ветроэнергетики, также будет необходимо разработать новые методологии прогнозирования, особенно предназначенные для морских месторождений. Эти новые методологии будут учитывать особенности характеристик морских ветряных электростанций, а также большой размер и кластерный характер таких морских ветровых электростанций.
2. Hatziargyriou N. e.a. Preliminary Results from the More Advanced Control Advice Project for Secure Operation of Isolated Power Systems with Increased Renewable Energy Penetration and Storage // 2001 IEEE Porto Power Tech Proceedings (Cat. No. 01EX502). IEEE, 2001. Vol. 4. P. 6.
3. Cabezon D. e.a. Comparison of Methods for Power Curve Modeling // CD-Rom Proceedings
of the Global WindPower 2004 Conference. Chicago, Illinois, USA, 2004.
4. Giebel G. e.a. The Zephyr Project — The Next Generation Prediction System // Proceedings of the 2001 European Wind Energy Conference, EWEC. 2002. Vol. 1. P. 777-780.
5. Sánchez I. e.a. Sipreólico-a Wind Power Prediction System Based on Flexible Combination of Dynamic Models. Application to the Spanish Power System // Poster on the World Wind Energy Conference in Berlin, Germany. 2002.
6. Nielsen T.S. e.a. A New Reference for Wind Power Forecasting // Wind Energy: An International Journal for Progress and Applications in Wind Power Conversion Technology. 1998. Vol. 1. No. 1. P. 29-34.
7. Landberg L. A Mathematical Look at a Physical Power Prediction Model // Wind Energy: An International Journal for Progress and Applications in Wind Power Conversion Technology. 1998. Vol. 1. No. 1. P. 23-28.
8. Magnusson M., Wern L. PG1. 54 Wind Energy Predictions Using CFD and HIR-LAM Forecasts // EWEC-CONFERENCE. 2001. P. 861-863.
9. Martí I. e.a. Wind Power Prediction in Complex Terrain: from the Synoptic Scale to the Local Scale // CD-Rom Proceedings of the Conference: The Science of making Torque from Wind. Delft, The Netherlands, 2004. P. 19-21.
10. Kariniotakis G. e.a. What Performance Can Be Expected by Short-Term Wind Power Prediction Models Depending on Site Characteristics // CD-Rom Proceedings of the European Wind Energy Conference EWEC. 2004.
11. Madsen H. e.a. Standardizing the Performance Evaluation of Short-Term Wind Power Prediction Models // Wind Engineering. 2005. Vol. 29. No. 6. P. 475-489.
12. Giebel G. On the Benefits of Distributed Generation of Wind Energy in Europe. 2001.
References
1. Thor S. E., Weis-Taylor P. Long-Term Research and Development Needs for Wind Energy for the Time Frame 2000-2020. Wind Energy: An International Journal for Progress and Applications in Wind Power Conversion Technology, 2002, Vol. 5, No. 1, pp. 73-75.
2. Hatziargyriou N. e.a. Preliminary Results from the More Advanced Control Advice Project for Secure Operation of Isolated Power Systems with Increased Renewable Energy Penetration and Storage. 2001 IEEE Porto Power Tech Proceedings (Cat. No. 01EX502). IEEE, 2001, Vol. 4, pp. 6.
3. Cabezon D. e.a. Comparison of Methods for Power Curve Modeling. CD-Rom Proceedings of the Global WindPower 2004 Conference. Chicago, Illinois, USA, 2004.
4. Giebel G. e.a. The Zephyr Project — The Next Generation Prediction System. Proceedings of the 2001 European Wind Energy Conference, EWEC, 2002, Vol. 1, pp. 777-780.
5. Sánchez I. e.a. Sipreólico-a Wind Power Prediction System Based on Flexible Combination of Dynamic Models. Application to the Spanish Power System. Poster on the World Wind Energy Conference in Berlin, Germany. 2002.
6. Nielsen T.S. e.a. A New Reference for Wind Power Forecasting. Wind Energy: An International Journal for Progress and Applications in Wind Power Conversion Technology, 1998, Vol. 1, No. 1, pp. 29-34.
7. Landberg L. A Mathematical Look at a Physical Power Prediction Model. Wind Energy: An International Journal for Progress and Applications in Wind Power Conversion Technology, 1998, Vol. 1, No. 1, pp. 23-28.
8. Magnusson M., Wern L. PG1. 54 Wind Energy Predictions Using CFD and HIR-LAM Forecasts. EWEC-CONFERENCE, 2001, P. 861863.
9. Martí I. e.a. Wind Power Prediction in Complex Terrain: from the Synoptic Scale to the Local Scale. CD-Rom Proceedings of the Conference: The Science of making Torque from Wind. Delft, The Netherlands, 2004, pp. 19-21.
10. Kariniotakis G. e.a. What Performance Can Be Expected by Short-Term Wind Power Prediction Models Depending on Site Characteristics. CD-Rom Proceedings of the European Wind Energy Conference EWEC. 2004.
11. Madsen H. e.a. Standardizing the Performance Evaluation of Short-Term Wind Power Prediction Models. Wind Engineering, 2005, Vol. 29, No. 6, pp. 475-489.
12. Giebel G. On the Benefits of Distributed Generation of Wind Energy in Europe. 2001.
