CC BY
0
© Алиходжина Н.В., Тягунов М.Г., Шестопалова Т.А. УДК 621.311.24
ОБЗОР СУЩЕСТВУЮЩИХ МОДЕЛЕЙ И МЕТОДОВ РАСЧЕТА ОСНОВНЫХ ХАРАКТЕРИСТИК ВЕТРА В ОПРЕДЕЛЕННОЙ ТОЧКЕ
Алиходжина Н.В., Тягунов М.Г., Шестопалова Т.А.
Национальный исследовательский университет «МЭИ», Москва, Россия
E-mail: alikhojinanv@mpei. ru
Резюме: АКТУАЛЬНОСТЬ. Наличие максимально универсальной модели определения основных характеристик ветра на всех этапах жизненного цикла проекта, а также при разработке программного обеспечения существенно упростит и унифицирует процесс прогнозирования работы действующего, а также проектируемого объекта ветроэнергетики. На основе общей модели, можно будет проверять достоверность результатов, корректировать их и в итоге создать хороший отечественный программный продукт. ЦЕЛЬ. Изучение наиболее распространенных методов и моделей определения основных характеристик ветра в конкретной точке и на заданной высоте, анализа их преимуществ и недостатков, а также выявления возможностей для разработки универсальной модели определения основных характеристик ветра. МЕТОДЫ. Статья представляет обзор существующих моделей определения основных характеристик ветра - скорости и направления, которые были разделены на группы по временным интервалам, на которые проводится расчет. Так как модели, предназначенные для расчетов на долгосрочные и среднесрочные периоды, хорошо известны и давно успешно применяются, то приводится информация по самым известным из них. Что касается моделей краткосрочных расчетов, то по ним приводится обобщающая информация, так как их существует огромное множество по названию, но основные математические методы, на которых они основаны, общие на группы моделей. ЗАКЛЮЧЕНИЕ. Проведенный анализ существующих моделей показал, что модели, предназначенные для ветроэнергетических расчетов среднегодовых и среднемесячных значений скорости ветра, имеют хорошую точность, удобны в применении и пригодны для условий России. А модели ветроэнергетических расчетов на часовые интервалы не имеют общих методов разработки и построения. Все существующие модели применимы только в точке расположения конкретной ВЭС для которой они разрабатывались. Также малое внимание уделяют вопросу применимости разработанных моделей. В большинстве случаев разработанные модели опираются на зарубежных исследователей и их наработки, в попытке адаптировать под условия России.
Ключевые слова: модели прогнозирования скорости ветра; ветроэнергетика; ВИЭ; формула Вейбулла; краткосрочный прогноз скорости ветра, модели ИНС.
Для цитирования: Алиходжина Н.В., Тягунов М.Г., Шестопалова Т.А. Обзор существующих моделей и методов расчета основных характеристик ветра в определенной точке // Вестник Казанского государственного энергетического университета. 2024. Т. 16. № 3 (63). С. 76-93.
AN OVERVIEW OF EXISTING MODELS AND METHODS FOR CALCULATING THE MAIN CHARACTERISTICS OF THE WIND AT A CERTAIN POINT
Alikhod/hina N.V., Tyagunov M.G., Shestopalova T.A.
National Research University "MPEI", Moscow, Russia E-mail: alikhojinanv@mpei. ru
Abstract: RELEVANCE. The availability of the most universal model for determining the main characteristics of wind at all stages of the project life cycle, as well as during software development, will significantly simplify and unify the process offorecasting the operation of an existing, as well as a projected wind energy facility. Based on the general model, it will be
possible to verify the reliability of the results, adjust them and eventually create a good domestic software product. PURPOSE. The study of the most common methods and models for determining the main characteristics of the wind at a specific point and at a given height, analyzing their advantages and disadvantages, as well as identifying opportunities for developing a universal model for determining the main characteristics of the wind. METHODS. The article provides an overview of existing models for determining the main characteristics of wind - speed and direction, which were divided into groups according to the time intervals for which the calculation is carried out. Since the models designed for calculations for long-term and medium-term periods are well known and have been successfully used for a long time, information is provided on the most famous of them. As for the models of short-term calculations, generalizing information is provided on them, since there are a huge number of them by name, but the main mathematical methods on which they are based are common to groups of models. CONCLUSION. The analysis of existing models has shown that the models designed for wind energy calculations of average annual and monthly wind speed values have good accuracy, are convenient to use and are suitable for the conditions of Russia. And models of wind energy calculations for hourly intervals do not have common methods of development and construction. All existing models are applicable only at the location of the specific wind farm for which they were developed. Little attention is also paid to the applicability of the developed models. In most cases, the developed models rely on foreign researchers and their developments in an attempt to adapt them to the conditions of Russia.
Keywords: wind speed forecasting models; wind energy; renewable energy; Weibull formula; short-term wind speed forecast, neural network models.
For Citation: Alikhodzhina N.V., Tyagunov M.G., Shestopalova T.A. An overview of existing models and methods for calculating the main characteristics of the wind at a certain point. KAZAN STATE POWER ENGINEERING UNIVERSITY BULLETIN. 2024. T. 16. No. 3 (63). P. 76-93.
Введение (Introduction)
Ветроэнергетика является одной из динамично развивающихся отраслей энергетики в мире. На начало 2023 года суммарная установленная мощность ВЭС в мире составила 908 ГВт, увеличившись за предыдущий год на 77,6 ГВт, что на 17% меньше по сравнению с 2022 г. [1]. Программа поддержки ВИЭ (программа ДПМ ВИЭ в соответствии с Постановлением Правительства РФ №449 от 28 мая 2013 г) способствовала появлению в России нового сектора электроэнергетики. В условиях обеспечения технологического суверенитета страны, особое внимание уделяется оборудованию для ВЭС. В связи с этим почти не уделяется внимание совершенствованию методов ветроэнергетических расчетов. Также малое внимание уделяется моделям прогнозирования основных характеристик ветра на площадке расположения ВЭС. Под основными характеристиками ветра в данной статье подразумеваются скорость ветра и его направление. Также следует упомянуть, что ветроэнергетические расчеты выполняются на долгосрочный, среднесрочный и краткосрочный периоды, т.е. определяют среднемесячные, среднегодовые и суточные (часовые) характеристики ветра. В связи с этим все существующие методики ветроэнергетических расчетов делятся на хорошо изученные и зарекомендовавшие себя для расчета среднемесячных и среднегодовых характеристик ветра и на слабо изученные для расчета суточных вариаций скорости ветра.
Для обоснования площадки под размещение ВЭС и для прогнозирования основных характеристик ветра для планирования режима работы ВЭС используется зарубежное программное обеспечение. В основе заложенных в программы моделей лежит статистическая обработка данных с метеостанций и данных спутниковых наблюдений. Оценка точности моделирования программными продуктами среднемесячных и среднегодовых характеристик ветра проводилась на кафедре ГВИЭ НИУ «МЭИ» и показала, что эти результаты схожи с расчетами, выполненными по известным распределениям Вейбулла и табулированному распределению Гарцмана [2]. В самих программных продуктах описание методик, конечно же, не приводится и не раскрывается [3]. В целом, на текущей момент нет единых подходов к определению основных характеристик ветра в предполагаемой точке строительства ВЭС и нет единых методик для прогнозирования параметров ветра, как на краткосрочный, так и среднесрочные интервалы времени. Также нет общего подхода к моделированию изменения скорости
© Алиходжина Н.В., Тягунов М.Г., Шестопалова Т.А. ветра по высоте.
Из всех ресурсов ветер является одним из самых непостоянных и трудноопределимых. Характеристики ветра сильно зависят от условий рельефа местности и состояния атмосферы. Режимы работы ВЭС напрямую зависит от характеристик ветра, и данным расчетам надо уделять внимание.
Также общий анализ информации по методам и моделям расчетов параметров ветра выявил следующее:
- Модели, разработанные и применяемый в метеорологии и авиации не применяются для нужд ветроэнергетики. Они основаны на учете большого количества параметров состояния атмосферы. Данные параметры не могут быть получены в местах расположения ВЭУ, поэтому применение этих моделей затруднительно [4, 5];
- Модели вертикального профиля ветра применимы только для условий, в которых они разработаны. При переходе в другую географическую точку модели показывают недостоверные результаты, что влияет на точность моделируемых параметров и итоговое решение по выбору площадки ВЭС и оценки ее эффективности [6];
- Модели, определяющие основные характеристики ветра на краткосрочные интервалы времени, базируются на регрессионных и статистических моделях, которые все чаще реализуются с помощью нейронных сетей [7];
- В отечественной литературе, посвященной ветроэнергетике, редко упоминаются ветроэнергетические расчеты и их особенности, проблемы и перспективы развития. Также по теме прогнозирования основных характеристик ветра встречается мало научных статей отечественных исследователей, а те что есть ссылаются на большое количество зарубежной литературы [8].
Из-за специфики проведения ветроэнергетических расчетов и их достоверности в точке проведения, применение опыта зарубежных исследований затруднительно и не всегда подходит под имеющиеся условия работы российских ветростанций [6, 7].
Цель исследования заключается в изучении наиболее распространенных методов и моделей определения основных характеристик ветра в конкретной точке и на заданной высоте, анализа их преимуществ и недостатков, а также выявления возможностей для разработки универсальной модели определения основных характеристик ветра.
Научная значимость исследования состоит в попытке получить общую модель для определения основных характеристик ветра на краткосрочные интервалы, обобщая имеющийся опыт разработки таких моделей.
Практическая значимость заключается в том, что наличие максимально универсальной модели, позволит облегчить процессы определения основных характеристик ветра на всех этапах жизненного цикла проекта, а также при разработке программного обеспечения. На основе общей модели, можно будет проверять достоверность результатов, корректировать их и в итоге создать хороший отечественный программный продукт.
Материалы и методы (Materials and methods)
Статья представляет обзор существующих моделей определения основных характеристик ветра - скорости и направления, которые были разделены на группы по временным интервалам, на которые проводится расчет. Так как модели, предназначенные для расчетов на долгосрочные и среднесрочные периоды, хорошо известны и давно успешно применяются, то приводится информация по самым известным из них. Что касается моделей краткосрочных расчетов, то по ним приводится обобщающая информация, так как их существует огромное множество по названию, но основные математические методы, на которых они основаны, общие на группы моделей.
Структура статьи. В разделе 1 описаны модели определения основных характеристик ветра на долгосрочные и среднесрочные интервалы времени. В разделе 2 описаны модели определения основных характеристик ветра на краткосрочные интервалы времени.
1 Модели определения основных характеристик ветра на долгосрочные и среднесрочные интервалы времени
Под долгосрочными и среднесрочными расчетными интервалами понимаются периоды времени на которых определяются среднемноголетние и среднегодовые значения скорости ветра. Данные величины используются на этапах выбора площадки и обоснования мощности единичной ветроэлектрической установки (ВЭУ).
Любые ветроэнергетические расчеты основываются на данных реальных наблюдений за скоростью ветра и его направлением. Основным источником информации являются различные базы данных (БД), куда информация поступает от различных
метеостанций (МС), а также со спутников [9]. Некоторые БД являются местом хранения информации с МС и спутниковых наблюдений, например, Расписание погоды [10], другие же позволяют моделировать хранимую информацию в другие расчетные географические точки, а также по высоте, например, БД NASA [11]. Кроме этого в БД, а также в климатических справочниках можно найти результаты статистической обработки данных наблюдений на МС, представленные в виде: повторяемости скорости и направлений ветра (роза ветров), среднеквадратичного отклонения скорости, средней скорости на высоте измерений (10 м) и коэффициента вариации скорости ветра.
На этапе выбора площадки для строительства ветроэлектростанции (ВЭС) данные из БД по ближайшим к этой площадке МС пересчитывают на саму площадку [12], т.е. моделируют значения скорости ветра в планируемой точке установке ВЭС. Подобные расчеты выполняют для средних значений скорости ветра (повторяемость скорости ветра), в том числе и для значений скорости по возе ветров. Повторяемость определяется по формуле 1.
m
t (AXj) = (1)
j n +1
где mj - число значений величины X, попадающие в интервал ДXj, n - общее число измерений величины X.
Величина представляет собой интервал градации, который берется по
стандартным значениям, определенным ГГО им Воейкова [12], или по значениям БД NASA [11].
Чтобы сгладить неравномерность фактической повторяемости скорости ветра, а также иметь возможность применять ее при условии отдаления площадки от МС более чем на 50 км или в условиях существенного расхождения топографии местности на площадке и МС применяют теоретические характеристики повторяемости. В частности, распределение Вейбулла [2] (формула 2) и табулированное распределение Гринцевича [2] (формула 3).
пЛ
(2)
( Y-1 ^ tВ (V) = AV ^ ^ J р1р
exp
V р
где Щ - интервал ¡-й градации, у и р - параметры функции распределения Вейбулла. При чем, параметры у и р могут быть оценены различными методами. Наиболее применимые: метод моментов [13]; аналитический метод расчета [14, 15]; графический метод с использованием логарифмической клетчатки вероятностей, разработанный в ГГО им. А.И. Воейкова [16, 17].
tгр (Vrp) = t, (V1) +
t, (V1+1) -1, (V1)
(v - Vl) (3)
V1+1 - V1
где ЬГр ( У} Гр ) - повторяемость скорости в ¡-й градации для средней скорости V,
Ь ( рГГГ Г) ' Ь' ( рГГ) - % повторяемости скорости в ¡-й градации для средних скоростей ветра р} и
Перечисленные выше модели используются для выбора площадки строительства
ВЭУ.
В настоящее время в Западной Европе принята методика оценки ветроэнергетических ресурсов, разработанная в Дании лабораторией «Рисо». Эта методика была апробирована в конце 80-х - начале 90-х годов ХХ века при подготовке атласа ветров Западной Европы. Методика лаборатории «Рисо» использована и при разработке «Атласа ветров России» [2, 16], который выпущен в 2000 году. Согласно Атласу ветров России, методика «Рисо» считается общепризнанным стандартом определения ветроэнергетического потенциала (ВЭП) и подбора оптимальных мест возведения ветроэнергетических установок (ВЭУ) [17].
На рисунке 1.1 приведена структурная схема, на которой показаны исходные данные, используемые при разработке атласа, и алгоритм формирования окончательных характеристик ветроэнергетического потенциала в окрестности метеостанций.
Рис. 1.1 Структурная схема, на которой Fig. 1.1 Structural diagram showing the initial data
показаны исходные данные, используемые при used in the development of the atlas and the
разработке атласа, и алгоритм формирования algorithm for generating the final characteristics of
окончательных характеристик the wind energy potential in the vicinity of weather
ветроэнергетического потенциала в окрестности stations метеостанций
*Источник: Составлено авторами Source: compiled by the author.
В качестве исходных данных используются многолетние данные метеостанций по 12-16 азимутальным секторам (в структурной схеме - Первичные ряды данных) и данные о топографии площадки метеостанции (в структурной схеме - Описание метеоплощадки).
Далее на выбранной площадке размещаются ветроизмерительные комплексы (ВИК), чтобы получить данные натурных измерений непосредственно в точке расположения будущей ВЭС [20]. Так как периода наблюдений на ВИК в точке расположения ВЭС не хватает, то используются данные с ближайшей МС, чтобы дополнить ряд наблюдений за скоростью и направлениями ветра [20, 21]. Дополнение ряда проводится методами регрессионного анализа, чтобы получить расчетную модель зависимости скорости ветра на ВИК от скорости ветра на МС с хорошим коэффициентом корреляции. Однако прежде чем строить такую зависимость необходимо привести ряды наблюдений за скоростью ветра с МС к условиям площадки расположения ВИК [12, 22]. Такой пересчет проводится моделированием изменения скорости ветра в зависимости от рельефа местности, разделяющего МС и площадку ВЭС (место расположения ВИК), с учетом макро- и мезофакторов рельефа местности, а также с учетом румбов розы ветров [16]. Подобное моделирование на основании средних значений скорости ветра можно выполнять, использую классификацию Милевского. Она хорошо себя зарекомендовала в расчетах и позволяет учесть влияние рельефа местности на изменение скорости ветра по каждому румбу по классам открытости [22, 23].
Как уже упоминалось ранее, измерения на МС проводятся на высоте 10 м, на такой же высоте проводятся измерения и на ВИК, однако на каждом ВИК существует еще две высоты для измерений скорости ветра. Ветроколесо на ВЭУ располагается выше, чем проводятся измерения на МС и даже выше чем ВИК, поэтому необходимо моделировать скорость ветра на высоте башни ВЭУ (вертикальный профиль ветра). Для построения моделей вертикального профиля ветра (ВПВ) существует множество подходов. Глобально
их можно разделить на два:
- Логарифмический (формула 4), позволяющий напрямую учитывать влияние рельефа местности на изменение скорости ветра по высоте [25, 26]:
»(Ю »( h)
ln
ln
7
V Z0 у
<V
7
V 70 у
(4)
где и - значения скорости ветра на высотах и над поверхностью земли в
рассматриваемой точке; - шероховатость поверхности земли.
- Степенной [6, 19], позволяющий косвенно учитывать влияние рельефа местности ветра по высоте [25, 26]. Описывается эмпирической
на изменение скорости зависимостью вида:
»(Ю »(h)
fu Л
7
V 70 у
(4)
где и - значения скорости ветра на высотах и над поверхностью земли в
рассматриваемой точке; - показатель степени, который зависит от множества факторов [6, 19].
Основной проблемой является определение и учет величины для
логарифмической зависимости ВПВ и величины т для степенной зависимости ВПВ. Решению этих задач посвящено множество исследований и разработанных моделей. Однако большинство из них применимы только в конкретных точках и требуют наличия данных измерений с ВИК [28]. Также существуют модели, позволяющие строить вертикальный профиль ветра по среднемесячным и среднегодовым значениям скорости ветра [29].
В таблице 1.1 приведены основные подходы и методики моделирования и аппроксимации высотных профилей скорости V(h) в приземном 100 -200-метровом слое.
Таблица 1.1
Table 1.1
Методики моделирования и аппроксимации высотных профилей скорости V(h) в приземном
100-200-метровом слое Methods of modeling and approximation of high-altitude velocity profiles V(h) in the surface
100-200-meter layer
№ Методика, разработчик Используемые метеоданные Используемые аэроданные Аппроксимация распределения А^) Аппроксимация высотного профиля
1 Универсальная модель Соседней МС (2200 МС РФ) Не используются Любая известная, соответствующая скорости и высоте V (h )_ v0 •( h / k0 )m m = 1/ 7 для суши m = 1 /1 0 для моря
2 WASP, RISO, Дания Соседней МС + модель Zo (332 МС РФ) Не используются Функции Вейбулла по метеоданным с подъёмом на высоту V (h ) = V • ln (h / h)
3 NASA, NREL, США Модель с разрешением 1х1 км Не используются Функция Рэлея по метеоданным V (h ) = Vo (h / ho )m
4 ЦАГИ, 1960 Соседних МС-аналогов («500 МС) Не используются Функции Колодина и Поморцева V (h ) = Vo (h / ho )m
5 ГГО, 1989 Соседних МС («1100 МС РФ) Не используются Г-функции по данным ближайших МС V (h ) = Vo (h / ho )m
6 ФЛЮГЕР 3.0, ЦАГИ, 1994 Соседних МС класса 7б и 6б («1000 МС РФ) V на уровне 100м соседней станции Табулированные региональные функции Гринцевича V (h ) = Vo (h / ho )m m _ In (V1oo/ Vo ) ln ( HWJ H o )
7 АО «ВИЭН», 2002 Соседних МС («1100 МС РФ) Не используются Подъём эмпирических повторяемостей V (h )_ Vo (h / ho )m
8 ФЛЮГЕР 2000, НИЦ «АТМОГРАФ» Соседних МС класса 7б («1000 МС РФ) V на 100 м по данным АС района Табулированные региональные функции Гринцевича V (h )_ Vo (h / ho )m
m
ФЛЮГЕР XXI, Средние V на h=100, Табулированные С моделированием
9 НИЦ статистические по 200,300 и 600 м региональные функции Уш ( h)=V ■ in ( h / hc )
«АТМОГРАФ» району с очисткои (»1100) всех АС региона Гринцевича ^море (h) = Vm ■ in (h / hM )
*Источник: Составлено авторами Source: compiled by the author.
Особенности исходной информации
Как уже говорилось, все расчеты проводятся на основании информации с МС и ВИК, а также из различных баз данных. В СБД «Погода России» и «Расписание Погоды» представлены ряды срочных наблюдений за скоростью и направлением ветра (также присутствую другие метеорологические параметры, но сейчас они не рассматриваются), с разным интервалом наблюдений At (от 3 до 8 ч), полученные на основе прямых измерений на существующих наземных метеостанциях (МС) на высоте 10 м [10]. В СБД «NASA» приведены осредненные данные (средние значения скорости, повторяемости скорости и направления ветра и т. д.) на высоте 50 м по данным спутниковых наблюдений [11]. Все ВЭР должны соответствовать высоте установки ветроколеса (ВК) ВЭУ, которая для подавляющего большинства ВЭУ, работающих в объединенных энергосистемах, располагается на высотах 60-110 м, а для ВЭУ, работающих в децентрализованных локальных энергосистемах с пиковой мощностью до 1 МВт, соответственно — 30-50 м. С учетом этого наиболее актуально располагать моделями пересчета скорости ветра с высоты 10 м на произвольную высоту до 110 м, на которой надежная информация по ветровым ресурсам может быть получена при помощи измерений на ВИК, местоположение которых выбирают на ранних стадиях проектирования [30].
На ВИК данные срочных наблюдений представлены с интервалом в 10 минут, полученные на разных значениях высоты, а также разными типами приборов: обогреваемыми и необогреваемыми датчиками. При расчете среднегодовых значений скорости ветра и построения розы ветров это отличие данных от рядов МС не носит принципиальный характер. Среднегодовые и многолетние значения сходятся друг с другом и не дают большой погрешности в расчеты. Однако при расчете краткосрочных значений (среднесуточных и среднечасовых) такое отличие в исходной информации недопустимо. Поэтому перед построением различных зависимостей между данными МС и ВИК их приводят к одной высоте и одному периоду наблюдения, т.е. берутся измерения на высоте 10 м над уровнем земли и данные с интервалом как на МС [9].
2 Модели определения основных характеристик ветра на краткосрочные интервалы времени
Краткосрочные расчеты проводятся для определения годовой выработки проектируемой ВЭУ и для планирования режима работы уже действующей ВЭУ. И также делятся на расчеты по моделированию скорости ветра с МС в точку расположения ВЭУ и на прогнозирование скорости ветра на будущий период времени (от 30 минут до 48 часов). Чаще всего в качестве исходных данных используются часовые интервалы времени, т.к. данные для этих интервалов есть на ВИК и на МС.
На сегодняшний день существует большое количество моделей для получения часовых рядов скорости ветра как на сутки вперед, так и за прошедший интервал наблюдений. Однако также нет единой методики построения таких моделей, подтверждения их достоверности, а большая часть из них разработана зарубежными исследователями [31].
Вопросам построения степенного ВПВ по часовым и 10 -ти минутным данным уделяется также большое внимание, в частности на кафедре ГВИЭ было разработано множество моделей, которые повышают точность расчета в местах расположения ВЭУ для которых они разработаны. Также было предпринято несколько попыток обобщить модели на целый регион. Их точность падает по сравнению с моделью для конкретной точки расположения ВЭУ [21, 28], но существенно выше, чем при расчетах по общепринятым значениям показателя степени m [30, 32]. В качестве исходных данных используются данные с ветроизмерительных приборов, расположенных на разной высоте на мачте ВИК.
Вопросам прогнозирования в последнее время начинают уделять все большее и большее внимание, однако, как правило, руководствуются зарубежным опытом и разрабатывают модели на основе зарубежных подходов [33].
Основные методы прогноза основных параметров ветра приведены в таблице 2.1. Перечисленные модели применимы только в той точке расположения ВЭУ, для которой они
разработаны и не могут быть обобщены или применены для других условий местности и климата. Также в таблице приведены основные представители перечисленных методов.
Таблица 2.1 Table 2.1
Основные методы для прогнозирования основных параметров ветра _Basic methods for predicting the main wind parameters_
Методы прогнозирования Примеры Примечание
Физические Глобальные системы прогнозирования; MM5; HIRLAM Используют метеорологические данные, такие как скорость ветра и его направление, давление, температура, влажность, структура местности т.п. Точны для долгосрочного прогнозирования.
Статистические Временные ряды Необходимая большая выборка исходных данных. Высокая точность для краткосрочного прогнозирования.
Интеллектуальные Искусственные нейронные сети; Тренировка ИНН существенно повышает точность прогноза. НС позволяет использовать большое количество входных параметров. Высокая точность для краткосрочного прогнозирования
Гибридные ANFIS и др. АОТК показывает хорошую точность при краткосрочном прогнозировании. Есть возможность увидеть взаимосвязь между параметрами модели.
*Источник: Составлено авторами Source: compiled by the author.
По различным анализам представленных методов были выявлены следующие преимущества и недостатки:
— физические модели, в том числе модель численного прогноза погоды, дают весьма точные результаты в долгосрочных прогнозах, но в краткосрочных показывают себя плохо [34];
— модели пространственно-временной корреляции (STC) могут давать точные данные, моделируя корреляционные взаимосвязи между скоростью ветра в разных точках, но это требует большого объема данных, времени на их обработку и точных координат расположения измерительных устройств. Такую информацию не всегда можно получить вовремя и в нужном объеме [35];
— статистические модели при построении прогноза используют уже существующие ряды наблюдений и для краткосрочных прогнозов подходят лучше, чем физические модели. Ярким примером является модель ARIMA (auto-regressive integrated moving average) [36]. Основные статистические модели приведены на рисунке 3.1. Однако статистические модели плохо реагируют на нестационарный и нелинейный процесс, которым является скорость ветра, поэтому их точность недостаточно высока [37];
— модели машинного обучения на базе искусственной нейронной сети (ANN) [38], классификации опорных векторов (SVC) [39] и регрессии опорных векторов (SVR) также являются не особенно точными по причине разных подходов к поиску локального оптимума [40]. Данные модели выделяются отдельно из-за специфики построения и применения нейронных сетей по сравнению с традиционными методами.
В [34] говорится, что использование перечисленных выше методов в одиночку не приносит точного результата, поэтому подход стал комплексным и комбинированным по принципу «декомпозиция-оптимизация-прогнозирование». Вопросы к точности остаются открытыми также, как и к одиночным методам. Ниже описаны комбинированные методы, однако стоит отметить, что их разработка и публикации по ним принадлежат зарубежным авторам. Отечественных материалов в таком объеме нет.
Статистичеснк Г1ропиг)н|1>»|Ц1К ивтеминчаиж мод^.ы
Рис.2.1 Классификация основных статистических Fig. 2.1 Classification of the main statistical моделей, применяемых для краткосрочного models used for short-term wind speed forecasting прогнозирования скорости ветра
*Источник: Составлено авторами Source: compiled by the author.
— Декомпозиционные методы работают по принципу разбиения исходного ряда наблюдений на более простые ряды для построения прогноза и уменьшения ошибок в данных. На сегодняшний день используются различные методы декомпозиции, включая декомпозицию по эмпирическим модам (EMD) [41], полную ансамблевую декомпозицию по эмпирическим модам с адаптивным шумом (CEEMDAN) [42], эмпирическое вейвлет-преобразование (EWT) [43], анализ сингулярного спектра (SSA) [44] и разложение по вариационным модам (VMD) [45], применялись в исследованиях по прогнозированию скорости ветра, и экспериментальные результаты этих исследований показали, что методы декомпозиции данных могут внести большой вклад в точность прогнозирования.
— Оптимизационные методы предназначены для определения ключевых параметров модели прогнозирования. На сегодняшний день используются гибридный алгоритм поиска с возвратом (BSA) для оптимизации структурных параметров машины с экстремальным обучением (ELM) и выбора эффективных входных признаков [46]. Кроме того, модули оптимизации также применяются для интеграции нескольких различных предикторов. Например, объединение ELM, устойчивого к выбросам ORELM и сеть глубокого доверия (DBN) для прогнозирования краткосрочной скорости ветра, а их веса оптимизируются классическим генетическим алгоритмом (GA) [47]. В последние годы было разработано множество методов многокритериальной оптимизации (MOO) для повышения эффективности комбинированных моделей. По сравнению с предыдущими исследованиями с использованием алгоритмов одноцелевой оптимизации (SOO), методы MOO могут одновременно оптимизировать несколько противоречащих друг другу целей и, таким образом, помогают создавать гораздо более надежные и мощные комбинированные модели [48]. Популярные и часто используемые алгоритмы MOO включают генетический алгоритм II с недоминируемой сортировкой (NSGA-II), алгоритм многокритериальной дифференциальной эволюции (MODE), многокритериальную оптимизацию роя частиц (MOPSO) и многокритериальный оптимизатор серого волка (MOGWO).
— Модели прогнозирования используются для обработки подсерий компонентов, полученных из модуля декомпозиции, и построения окончательных результатов прогнозирования путем интеграции прогнозов всех подсерий. В последние несколько лет для прогнозирования компонентов применялись как статистические модели, так и модели машинного обучения [33]. С развитием датчиков окружающей среды и методов хранения данных данные о скорости ветра вошли в область больших данных. В последнее время методы глубокого обучения (DL) привлекают все большее внимание из-за их гораздо более мощных возможностей извлечения признаков при обработке больших данных о скорости ветра. По сравнению с обычными моделями, модели DL могут автоматически извлекать присущие абстрактные признаки из исходных выборок скорости ветра, используя
распределенные и иерархические стратегии обучения признакам [49]. Многие исследования показали, что модели на основе глубокого обучения могут значительно повысить точность прогнозирования скорости ветра по сравнению со статистическими моделями и моделями машинного обучения. Можно обнаружить, что для компонентного прогнозирования можно рассматривать как статистические модели, так и модели машинного обучения и модели глубокого обучения. Существует также текущая тенденция, заключающаяся в том, что в комбинированной структуре используются разные модели для обработки исходных временных рядов или разложенных подрядов, что называется гетерогенной моделью обучения ансамбля. Например, гетерогенная ансамблевая система прогнозирования ветровой энергии, состоящая из четырех базовых обучающих частей, включающих в себя гауссовский процесс (GP), SVR, K- Ближайшие соседи (KNN) и случайный лес (RF). По отдельности они используются для обработки исходной выборки ряда ветров из процесса бэггинга, а затем выходные данные GP, SVR, KNN и RF интегрируются с помощью регрессии метаобучаемого гребня (RR) для построения структуры прогнозирования суммирования [50].
В Таблице 2.2 представлены данные исследований комбинированной модели прогнозирования скорости ветра. Для каждого модуля кратко изложены его существующие исследования, характеристики, преимущества и недостатки [33].
Стоит отметить, что по всем перечисленным моделям в самих статьях нет упоминаний о том какие исходные данные нужны, каким образом работает модель, как оценивается ее точность и как в последствии определяется выработка ВЭУ и проводится оценка достоверности.
Таблица 2.2 Table 2.2
Обзор исследований комбинированной модели для прогнозирования скорости ветра
Overview of research on the combined model for wind speed prediction
Модули Категории MeToahi Описания Плюсы Минусы
Декомпозиц ия одиночная EMD [41] EWT [43] VMT [45] Разложите ряды наблюдений за скоростью ветра на несколько более простых подрядов Шумоподавление; извлечение основных признаков ряда для построения зависимости Эффекты зависят от конкретных методов и данных; ориентируется на частичную информацию
гибридная CEEMDAN-EWT [44] SSA-VMD [45] Вторичное разложение для временного ряда скорости ветра Объединяет преимущества разных методов Кропотливый; ориентируется на частичную информацию
Оптимизаци я Одноцелевая CSO [46] BSA [47] GA [47] Эвристический поиск параметров модели или веса комбинаций моделей Независимый от параметров; легко проводится локальный оптимум; одноцелевая оптимизация
Много критериальн ая NSGA-H MODE MOPSO MOGWO Выбор параметров путем одновременной оптимизации по нескольким переменным Сбалансированная многокритериальная оптимизация Необходимо выбирать окончательные решения из множества Парето.
Прогнозиров ание статистическ ое ARIMA [31] VAR/GP [50] Gray model (GM) [49] Exponential smoothing (ES) Линейные комбинации прошлых наблюдений или внешних факторов Простой метод; эффективен для линейных подходов к прогнозированию Плохо моделирует нелинейные зависимости
Машинное обучение ANN [7, 51] SVR [49] ELM [52] Создает нелинейные связи между Управляется самими данными; нелинейное Локальный оптимум
Модули Категории Методы Описания Плюсы Минусы
функциями и прогнозируемой переменной моделирование
Глубокое обучение LSTM [7, 53] GRU [54] CNN [55] Глубокая сеть для проведения распределенного и иерархического изучения функций Прогнозирование больших рядов данных; Способность к последовательному обучению Долгий метод и ресурсозатратны й
*Источник: Составлено авторами Source: compiled by the author.
По итогу обзора авторами резюмируются следующие недостатки [33]:
— Физические модели хорошо подходят для прогнозирования скорости ветра в долгосрочной перспективе, но плохо подходят для моделирования краткосрочных колебаний скорости ветра из-за задержки информации. Для реализации физических моделей требуются массивные метеорологические и географические данные;
— Модели пространственно-временной корреляции (ПВК) имеют те же недостатки, что и физические модели. Для моделей ПВК требуются массивные данные с нескольких станций анемометров, связанных с космосом, что отнимает много времени и не является простым в реализации;
— Статистические модели имеют ограниченное влияние на нелинейную и нестационарную скорость ветра, поскольку модели строятся в предположении о стационарных и линейных характеристиках временных рядов.
— Модели машинного обучения хороши для моделирования нелинейных и нестационарных рядов наблюдений за скоростью ветра. Несмотря на это, модели машинного обучения часто страдают проблемой локального оптимума и нестабильной точностью.
— Существующие методы декомпозиции не могут полностью извлечь прогностическую информацию, содержащуюся в рядах наблюдений за скоростью ветра. Отмечено, что существующие методы декомпозиции, такие как СЕЕМБА^ EWT и УМБ, в основном сосредоточены на распознавании особенностей частотной области, скрытых в различных временных частотах исходных временных рядов [56], в то время как могут пренебрегать распознаванием основных линейных и нелинейных зависимостей, которые также являются фундаментальными и значимыми для построения моделей. Хотя несколько гибридных моделей декомпозиции, таких как CEEMDAN-EWT и 88А-УМБ [57] были разработаны недавно и продемонстрировали значительное улучшение производительности по сравнению с методами одиночной декомпозиции, основные реализации этих моделей по-прежнему сосредоточены только на извлечении признаков в частотной области. Таким образом, необходим улучшенная модель декомпозиции, которая сможет одновременно извлекать линейные зависимости и нелинейные характеристики частотной области. С другой стороны, современная комбинированная структура для прогнозирования скорости ветра часто обрабатывает разложенные подряды по отдельности, используя несколько подмоделей, а затем агрегируя выходные данные подмоделей. Потенциальные взаимодействия между полученными подсериями не учитываются, что может быть полезно для окончательного прогнозирования.
— Недостаток существующих моделей оптимизации в малом внимании к оптимизации параметров разложения ряда. На практике определение параметров декомпозиции часто проводится с использованием методов проб и ошибок и роевой оптимизации, которые учитывают только использование однокритериальной оптимизации. Таким образом, современные методы определения пренебрегают многочисленными воздействиями параметров декомпозиции на производительность модели, такими как производительность декомпозиции, точность прогнозирования и сложность модели. Связанные исследования показали, что методы многокритериальной оптимизации являются мощными инструментами для одновременной оптимизации нескольких целей и, таким образом, могут быть разумно использованы для оценки множественных эффектов параметров разложения и поиска их подходящих значений [34]. Их применение для оптимизации структурных параметров методов декомпозиции рассматривалось в меньшей степени.
— Хотя модели глубокого обучения были приняты во многих комбинированных системах прогнозирования скорости ветра для реализации функции модуля прогнозирования, большинство связанных работ основаны только на базовых сетевых структурах глубокого обучения, таких как одиночные LSTM [7] и GRU [54]. Одна из новых гибридных сред глубокого обучения под названием Sequence-to-Sequence (Seq2Seq) лучше обрабатывает различные структуры образцов ввода-вывода, а ее составная архитектура может помочь извлечь более информативные функции из исходных данных [49]. Несмотря на это, применение Seq2Seq для прогнозирования скорости ветра все еще ограничено.
Заключение (Conclusions) Проведенный анализ существующих моделей показал:
- Модели, предназначенные для ветроэнергетических расчетов среднегодовых и среднемесячных значений скорости ветра, имеют хорошую точность, удобны в применении и пригодны для условий России;
- Модели ветроэнергетических расчетов на часовые интервалы не имеют общих методов разработки и построения. Все существующие применимы только в точке расположения конкретной ВЭС для которой они разрабатывались. В статьях, посвященных описанию таких моделей, очень редко приводится набор необходимых исходных данных для их разработки, а описание процесса построения модели и нюансы ее работы не приводятся совсем. Также малое внимание уделяют вопросу применимости разработанных моделей. В большинстве случаев разработанные модели опираются на зарубежных исследователей и их наработки, в попытке адаптировать под условия России.
Литература
1. Отчет Global Wind Report 2022. - [Электронный ресурс] URL: https://gwec.net/global-wind-report-2022.
2. Николаев В. Г., Ганага С. В., Кудряшов Ю. И. Национальный кадастр ветроэнергетических ресурсов России и методические основы их определения / нод редакцией В. Г. Николаева. М.: АТМОГРАФ. 2008. 584 с.
3. Wind Atlas Analysis and Application Program (WAsP). User's Guide Risoe-1-666 / N. G. Mortensen. I. Landberg, I. Troen, E. L. Petersen. Roskilde. Risoe National Laboratory, 1993.
4. Лайхтман Д. Л., Юдин М. И. Трансформация нижнего слоя воздуха нод влиянием подстилающей поверхности. - «Доклад АН СССР», 1953, т. 93 № 2, с. 249-252.
5. Белов П. Н. Практические методы численного прогноза погоды. Л., Гидрометеоиздат, 1967, с. 334.
6. Бызова Н. Л., Шнайдман В. А., Бондаренко В. Н. Расчет вертикального профиля ветра в пограничном слое атмосферы но наземным данным // Метеорология и гидрология. 1987. № 11. С. 75 -83.
7. Свидетельство о государственной регистрации программы для ЭВМ № 2022610318 Российская Федерация. Программа для ЭВМ "Сервис прогнозирования генерации ветроустановок" : № 2021682067 : заявл. 27.12.2021 : опубл. 11.01.2022 / Е. А. Волошин, А. А. Волошин, А. А. Лебедев [и др.] ; заявитель федеральное государственное бюджетное образовательное учреждение высшего образования «Национальный исследовательский университет «МЭИ».
8. Матренин, П. В. Устойчивое краткосрочное прогнозирование скорости ветра с помощью адаптивных компактных нейронных сетей / П. В. Матренин, В. З. Манусов, Е. А. Игумнова // Проблемы региональной энергетики. - 2020. - № 3(47). - С. 69-80. - DOI 10.5281/zenodo.4018960.
9. Дерюгина, Г. В. Учебный программный комплекс «Ветроэнергетический кадастр» / Г. В. Дерюгина, Е. В. Игнатьев, В. Д. Метт // Информатизация инженерного образования : Материалы V Международной научно-практической конференции, Москва, 14-17 апреля 2020 года. - Москва: Издательство федерального государственного бюджетного образовательного учреждения высшего профессионального образования "Национальный исследовательский университет "МЭИ" (Издательство ФГБОУ ВПО "НИУ "МЭИ"), 2020. - С. 35-40.
10. Российский метеорологический сайт «Расписание погоды» [Электронный ресурс]. - Режим доступа: http://www.rp5.ru
11. The NASA Surface Meteorology and Solar Energy Data Set. 2007. URL: http://eosweb.larc.naa.gov/sse/documents/SSE6Methodology.pdf
12. Методические указания проведения изыскательских работ но оценке ветроэнергетических ресурсов для обоснования схем размещения и проектирования ветроэнергетических установок / М. М. Борисенко, А. Д. Дробышев, В. П. Харитонов // РД 52.04.275-89. СПб.: Государственный комитет СССР но Гидрометеорологии, 1990.Атлас ветров России / А.Н. Старков, Л. Ландберг, П. П. Безруких, М.М. Борисенко - М.: Можайск-Терра, 2000. 560 с.
13. Рыхлов А. Б. К вопросу об аппроксимации скоростей ветра на юго-востоке европейской территории России законом распределения Вейбулла-Гудрича // Известия Саратовского университета. 2010. Т. 10. Сер. Науки о Земле. Вып. 2.
14. Siting Handbook for SmallWind Energy Conversion System / H. L. Wegley, J. V. Ramsdell, M. M. Orgil, R. L. Drake /Battelle: US DOE, 1980.
15. Гарцман Л. Б. Вероятность гололедно-ветровых и температурных воздействий на ЛЭП. Л.: Гидрометеоиздат, 1987.
16. MEASNET. Evaluation of site-specific wind conditions. Version 1. November. 2009.
17. Атлас ветров России / А. Н. Старков, Л. Ландберг, П. П. Безруких, М. М. Борисенко - М.: Можайск-Терра, 2000. 560 с.
18. Методические указания проведения изыскательских работ по оценке ветроэнергетических ресурсов для обоснования схем размещения и проектирования ветроэнергетических установок / М. М. Борисенко, А. Д. Дробышев, В. П. Харитонов // РД 5.04.275-89. СПб.: Государственный комитет СССР по Гидрометеорологии, 1990.
19. Зубарев В. В., Минин В. А., Степанов И. Р. Использование энергии ветра в района Севера: состояние, условия эффективности, перспективы. Л.: Наука, Ленингр. отд-ние, 1989. 208 с.
20. IEC (МЭК) 61400-12. Ветровые турбины. Часть 12-1. Измерение эффективности производительности по производству выработки ветряных турбин.
21. Дерюгина, Г. В. Апробация программного комплекса «Wind Turbine» / Г. В. Дерюгина, Е. В. Игнатьев, В. Д. Метт // Вестник Московского энергетического института. Вестник МЭИ. - 2023. - № 4. - С. 80-90. - DOI 10.24160/1993-6982-2023-4-80-90.
22. Милевский В.Ю. Методика исследования скоростных роз и скоростей ветровых роз -диаграмм ветра // Тр. ГГО. Вып. 113. Л.: Гидрометеоиздат, 1960.
23. Рыхлов А. Б. Анализ применения законов распределения для выравнивания скоростей ветра на юго-востоке Европейской части России // Известия Саратовского университета. 2010. Т. 10. Сер. Науки о Земле. Вып. 2.
24. Брагинская Л.Л., Каган Р.Л. К вопросу об аппроксимации распределения скоростей ветра // Труды ГГО. 1982. Вып. 447. С. 49-57.
25. Монин А. Е., Обухов А. М. Основные закономерности турбулентного перемещения в приземном слое атмосферы // Труды Геофизического института АН СССР. 1954. № 24.
26. Development of wind shear models and determination of wind shear hazards. FAA Report. №. FAA-RD-79-119. Ellis and Keenan, 1978.
27. Методика определения ветроэнергетических ресурсов и оценки эффективности использования ветроэнергетических установок на территории России и стран СНГ // Рекомендации по стандартизации. Нетрадиционная энергетика. Ветроэнергетика. М., 1994.
28. Модели вертикального профиля ветра по данным ветроизмерительных комплексов полуострова Камчатка / Г. В. Дерюгина, Д. А. Чернов, М. Г. Тягунов, Н. В. Алиходжина // Вестник Московского энергетического института. Вестник МЭИ. - 2019. - № 1. - С. 35-42. - DOI 10.24160/1993-6982-2019-1-35-42.
29. К развитию моделей высотного профиля скорости ветра в приземном слое атмосферы / В. Г. Николаев, С. В. Ганага, Ю. И. Кудряшов, В. В. Николаев // Известия Российской академии наук. Физика атмосферы и океана. - 2018. - Т. 54, № 2. - С. 147-159. - DOI 10.7868/S0003351518020034.
30. Васьков А.Г., Дерюгина Г.В., Тягунов М.Г., Чернов Д.А. Исследование моделей вертикального профиля ветра на территории Дальневосточного федерального округа // Альтернативная энергетика и экология. 2015. № 10—11. С. 63—74
31. Алиходжина, Н. В. Оценка возможности долгосрочного прогнозирования скорости ветра на примере ВИК Усть-Камчатска / Н. В. Алиходжина, Г. В. Дерюгина // Возобновляемые источники энергии : Материалы Всероссийской научной конференции с международным участием и XI научной молодежной школы, Москва, 03-06 декабря 2018 года / Московский государственный университет имени М. В. Ломоносова, Объединенный институт высоких температур РАН. - Москва: ООО "МАКС Пресс", 2018. - С. 203-208.
32. Justus C. G., Mikhail A. Height Variations of Wind Speed and Wind Distributions Statistics // Geophy. Res. Letters. No. 3. P. 251-264.
33. Манусов В. З. Прогнозирование мощности ветроэнергетической установки с учетом климатических факторов [Электронный ресурс] / В. З. Манусов, К. Н. Бойко // Энерго- и ресурсоэффективность малоэтажных жилых зданий : материалы 2 науч. конф. с междунар. участием, Новосибирск, 24-26 марта 2015 г. - Новосибирск : Изд-во Института теплофизики СО РАН, 2015. - С. 210-212.
34. Sheng-Xiang Lv, Lin Wang. Deep learning combined wind speed forecasting with hybrid time series decomposition and multi-objective parameter optimization. // Applied Energy, Volume 311, 2022, 118674, ISSN 0306-2619, https://doi.org/10.1016/j.apenergy.2022.118674.
35. H. Liu, C. Chen. Multi-objective data-ensemble wind speed forecasting model with stacked sparse autoencoder and adaptive decomposition-based error correction // Applied Energy, ISSN: 0306-2619, Vol: 254, Page: 113686, https://doi.org/10.1016/) .apenergy.2019.113686.
36. X. Niu, J. Wang. A combined model based on data preprocessing strategy and multi-objective optimization algorithm for short-term wind speed forecasting // Appl Energy, Vol: 241 (2019), pp. 519-539 ISSN: 0306-2619, https://doi.org/10.1016/j.apenergy.2019.03.097.
37. Karasu S. et al. Prediction of wind speed with non-linear autoregressive (NAR) neural networks //2017 25th signal processing and communications applications conference (SIU). - IEEE, 2017. - С. 1-4.
38. Нейронные сети. Statistica Neural Networks: Методология и технология современного анализа данных / Под редакцией В.П. Боровикова. - 2-е изд., перераб. и доп. - М.: Горячая линия - Телеком, 2008. - 392 с.
39. Ефен В. Улучшение точности прогнозирования временных рядов на основе метода опорных векторов / В. Ефен, Д.В. Ли // Материалы конференции «Управление в технических, эргатических, организационных и сетевых системах» (УТЭ0СС-2012). - СПб.: ГНЦ РФ ОАО «Концерн «ЦНИИ «Электроприбор», 2012. - С. 545-548.
40. Karasu S. et al. Estimation of fast varied wind speed based on NARX neural network by using curve fitting //International Journal of Energy Applications and Technologies. - 2017. - Т. 4. - №. 3. - С. 137-146.
41. Yang H. F., Chen Y. P. P. Representation learning with extreme learning machines and empirical mode decomposition for wind speed forecasting methods //Artificial Intelligence. - 2019. - Т. 277. - С. 103176. 28
42. Zhang W. et al. A combined model based on CEEMDAN and modified flower pollination algorithm for wind speed forecasting //Energy conversion and management. - 2017. - Т. 136. - С. 439-451. 29
43. Gao R. et al. Time series forecasting based on echo state network and empirical wavelet transformation //Applied Soft Computing. - 2021. - Т. 102. - С. 107111.
44. Yan X. et al. Multistep forecasting for diurnal wind speed based on hybrid deep learning model with improved singular spectrum decomposition //Energy Conversion and Management. - 2020. - Т. 225. -С. 113456. 32
45. Naik J., Dash P. K., Dhar S. A multi-objective wind speed and wind power prediction interval forecasting using variational modes decomposition based Multi-kernel robust ridge regression //Renewable Energy. - 2019. - Т. 136. - С. 701-731.
46. Zhang C. et al. A compound structure of ELM based on feature selection and parameter optimization using hybrid backtracking search algorithm for wind speed forecasting //Energy Conversion and Management. - 2017. - Т. 143. - С. 360-376. 39
47. Liu H. et al. A review on multi-objective optimization framework in wind energy forecasting techniques and applications //Energy Conversion and Management. - 2020. - Т. 224. - С. 113324. 41
48. Chen Y. et al. Multifactor spatio-temporal correlation model based on a combination of convolutional neural network and long short-term memory neural network for wind speed forecasting //Energy Conversion and Management. - 2019. - Т. 185. - С. 783-799.
49. Ribeiro M. H. D. M. et al. Efficient bootstrap stacking ensemble learning model applied to wind power generation forecasting //International Journal of Electrical Power & Energy Systems. - 2022. - Т. 136. - С. 107712
50. Jiang Z., Che J., Wang L. Ultra-short-term wind speed forecasting based on EMD-VAR model and spatial correlation //Energy Conversion and Management. - 2021. - Т. 250. - С. 114919
51. Зубова, Н. В. Разработка алгоритмов управления и прогнозирования для повышения энергоэффективности ветроэнергетической установки с использованием нечеткой логики и нейронных сетей / Н. В. Зубова // Технологии и технические средства механизированного производства продукции растениеводства и животноводства. - 2017. - № 91. - С. 23-29.
52. Memarzadeh G., Keynia F. A new short-term wind speed forecasting method based on fine-tuned LSTM neural network and optimal input sets //Energy Conversion and Management. - 2020. - Т. 213. - С. 112824. 51
53. López G., Arboleya P. Short-term wind speed forecasting over complex terrain using linear regression models and multivariable LSTM and NARX networks in the Andes Mountains, Ecuador //Renewable Energy. - 2022. - Т. 183. - С. 351-368. 52
54. Kisvari A., Lin Z., Liu X. Wind power forecasting-A data-driven method along with gated recurrent neural network //Renewable Energy. - 2021. - Т. 163. - С. 1895-1909. 53
55. Yildiz C. et al. An improved residual-based convolutional neural network for very short-term wind power forecasting //Energy Conversion and Management. - 2021. - Т. 228. - С. 113731.
56. Fu W. et al. Multi-step ahead short-term wind speed forecasting approach coupling variational mode decomposition, improved beetle antennae search algorithm-based synchronous optimization and Volterra series model //Renewable energy. - 2021. - Т. 179. - С. 1122-1139.
57. Niu Z. et al. Wind power forecasting using attention-based gated recurrent unit network //Energy. -2020. - Т. 196. - С. 117081
Авторы публикации
Алиходжина Надежда Василевна - ассистент кафедры Гидроэнергетики и возобновляемых источников энергии (ГВИЭ) Московского энергетического института (НИУ «МЭИ»).
Email: alikhojinanv@mpei.ru.
Тягунов Михаил Георгиевич - д-р техн. наук, профессор кафедры Гидроэнергетики и возобновляемых источников энергии (ГВИЭ) Московского энергетического института (НИУ «МЭИ»). ORCID*: http://orcid.org/0000-0002-3061-2636. Email: TiagunovMG@mpei. ru.
Шестопалова Татьяна Александровна - канд. техн. наук, доцент, заведующий кафедрой Гидроэнергетики и возобновляемых источников энергии (ГВИЭ) Московского энергетического института (НИУ «МЭИ»). Email: ShestopalovaTA@mpei.ru.
References
1. Global Wind Report for 2022. - [Electronic resource] URL: https://gwec.net/global-wind-report-
2022
2. Nikolaev V. G., Ganaga S. V., Kudryashov Yu. I. National cadastre of wind energy resources of Russia and methodological foundations of their determination / edited by V. G. Nikolaev. M.: ATMOGRAF. 2008. 584 p.
3. Wind Atlas Analysis and Application Program (WAsP). Risoe User's Guide-1-666 / N. G. Mortensen, I. Landberg, I. Troen, E. L. Petersen. Roskilde. Riso National Laboratory, 1993.
4. Laichtman D. L., Yudin M. I. Transformation of the lower layer of air under the influence of the underlying surface. - "Report of the USSR Academy of Sciences", 1953, vol. 93 No. 2, pp. 249-252.
5. Belov P. N. Practical methods of numerical weather forecasting. L., Hydrometeoizdat, 1967, p. 334.
6. Byzova N. L., Schneidman V. A., Bondarenko V. N. Calculation of the vertical wind profile in the boundary layer atmospheres based on ground data // Meteorology and hydrology. 1987. No. 11. pp. 75-83.
7. Certificate of state registration of the computer program No. 2022610318 Russian Federation. Computer program "Service for forecasting wind turbine generation" : No. 2021682067 : application. 12/27/2021 : publ. 11.01.2022 / E. A. Voloshin, A. A. Voloshin, A. A. Lebedev [et al.] ; applicant Federal State budgetary educational institution of higher Education "National Research University "MEI".
8. Matrenin, P. V. Sustainable short-term forecasting of wind speed using adaptive compact neural networks / P. V. Matrenin, V. Z. Manusov, E. A. Igumnova // Problems of regional energy. - 2020. - № 3(47). - Pp. 69-80. - DOI 10.5281/zenodo.4018960.
9. Deryugina, G. V. Educational software package "Wind Energy cadastre" / G. V. Deryugina, E. V. Ignatiev, V. D. Mett // Informatization of engineering education : Materials in the scientific and practical International conference, Moscow, April 14-17, 2020. - Moscow: Publishing House of the Federal State Budgetary Educational Institution of Higher Professional Education "National Research University "MEI" (Publishing House of the Federal State Budgetary Educational Institution of Higher Professional Education "MEI"), 2020. - pp. 35-40.
10. Russian meteorological website "Weather schedule" [Electronic resource]. - Access mode: http://www.rp5.ru
11. NASA data set on terrestrial meteorology and solar energy. 2007. URL: <url> http://eosweb.larc.naa.gov/sse/documents/SSE6Methodology.pdf
12. Methodological guidelines for conducting survey work on the assessment of wind energy resources for substantiating schemes for the placement and design of wind power plants / M. M. Borisenko, A.D. Drobyshev, V. P. Kharitonov // RD 52.04.275-89. St. Petersburg: USSR State Committee for Hydrometeorology, 1990.Atlas of the winds of Russia / A.N. Starkov, L. Landberg, P. P. Bezrukikh, M.M. Borisenko - M.: Mozhaysk-Terra, 2000. 560 p.
13. Rykhlov A. B. On the question of the approximation of wind speeds in the south-east of the European territory of Russia by the Weibull-Goodrich distribution law // Izvestiya Saratov University. 2010. Vol. 10. Ser. Earth Sciences. Issue 2.
14. Guidelines for the placement of a small wind energy conversion system / H. L. Wegley, J. V. Ramsdell, M. M. Orgil, R. L. Drake / Battelle: US Department of Energy, 1980.
15. Harzman L. B. Probability of icy wind and temperature effects on power lines. L.: Hydrometeoizdat, 1987.
16. MEASNET. Assessment of wind conditions in a particular area. Version 1. November. 2009.
17. Atlas of the winds of Russia / A. N. Starkov, L. Landberg, P. P. Bezrukikh, M. M. Borisenko - M.: Mozhaysk-Terra, 2000. 560 p.
18. Methodological guidelines for conducting survey work on the assessment of wind energy resources for substantiating schemes for the placement and design of wind power plants / M. M. Borisenko, A.D. Drobyshev, V. P. Kharitonov // RD 5.04.275-89. St. Petersburg: USSR State Committee for Hydrometeorology, 1990.
19. Zubarev V. V., Minin V. A., Stepanov I. R. The use of wind energy in the North: state, efficiency conditions, prospects. L.: Nauka, Leningr. otd., 1989. 208 p.
20. IEC (MCC) 61400-12. Wind turbines. Part 12-1. Measuring the efficiency of wind turbine production capacity.
21. Derigina, G. V. Development of the Wind Turbine software package / G. V. Derigina, E. V. Ignat, V. D. Mett // Bulletin of the Moscow University. information. Bulletin of the MPEI. - 2023. - No. 4. - pp. 80-90. - DOI 10.24160/1993-6982-2023-4-80-90.
22. Milevsky V.Yu. Methodology for the study of high-speed roses and wind rose velocities - wind diagrams // Tr. GGO. Issue 113. L.: Hydrometeoizdat, 1960.
23. Rykhlov A. B. Analysis of the application of distribution laws to equalize wind speeds in the southeast of the European part of Russia // Izvestiya Saratov University. 2010. Vol. 10. Ser. Earth Sciences. Issue 2.
24. Braginskaya L.L., Kagan R.L. On the question of approximating the distribution of wind speeds // Proceedings of the GGO. 1982. Issue 447. pp. 49-57.
25. Monin A. E., Obukhov A.M. The main patterns of turbulent movement in the surface layer of the atmosphere // Proceedings of the Geophysical Institute of the USSR Academy of Sciences. 1954. No. 24.
26. Development of wind shear models and determination of wind shear hazards. The FAA report. № FAA-RD-79-119. Ellis and Keenan, 1978.
27. Methodology for determining wind energy resources and evaluating the efficiency of using wind power plants in Russia and the CIS countries // Recommendations for standardization. Non-traditional energy. Wind energy. M., 1994.
28. Models of the vertical wind profile according to the data of wind measuring complexes of the Kamchatka Peninsula / G. V. Deryugina, D. A. Chernov, M. G. Tyagunov, N. V. Alikhodzhina // Bulletin of the Moscow Power Engineering Institute. Bulletin of the MEI. - 2019. - No. 1. - pp. 35-42. - DOI 10.24160/1993-6982-2019-1-35-42.
29. Towards the development of models of the high-altitude profile of wind speed in the surface layer of the atmosphere / V. G. Nikolaev, S. V. Ganaga, Yu. I. Kudryashov, V. V. Nikolaev // Izvestia of the Russian Academy of Sciences. Physics of the atmosphere and ocean. - 2018. - vol. 54, No. 2. - pp. 147-159. - DOI 10.7868/S0003351518020034.
30. Vaskov A.G., Deryugina G.V., Tyagunov M.G., Chernov D.A. Investigation of models of vertical wind profile on the territory of the Far Eastern Federal District // Alternative energy and ecology. 2015. No. 10-11. pp. 63-74
31. Alikhodzhina, N. V. Assessment of the possibility of long-term forecasting of wind speed on the example of the VIC of Ust-Kamchatsk / N. V. Alikhodzhina, G. V. Deryugina // Renewable energy sources : Materials of the All-Russian Scientific Conference with international participation and the XI Scientific Youth School, Moscow, December 03-06, 2018 / Lomonosov Moscow State University, Joint Institute of High Temperatures of the Russian Academy of Sciences. - Moscow: MAX Press LLC, 2018. - pp. 203-208.
32. Justus K. G., Mikhail A. High-altitude variations of wind speed and statistics of its distribution // Geology. Res. Letters. No. 3. pp. 251-264.
33. Manusov V. Z. Forecasting the capacity of a wind power plant taking into account climatic factors [Electronic resource] / V. Z. Manusov, K. N. Boyko // Energy and resource efficiency of low-rise residential buildings : materials of the 2nd scientific conference with international Novosibirsk, March 24-26, 2015 -Novosibirsk : Publishing House of the Institute of Thermophysics SB RAS, 2015. - pp. 210-212.
34. Sheng-Xiang L.V., Lin Wang. Deep learning combined wind speed prediction with hybrid time series decomposition and optimization of multi-purpose parameters. // Applied Energy, Volume 311, 2022, 118674, ISSN 0306-2619, https://doi.org/10.1016/j.apenergy.2022.118674
35. H. Liu, S. Chen. A multipurpose model for predicting wind speed based on a set of data with a sparse autoencoder and adaptive error correction based on decomposition // Applied Energy, ISSN: 03062619, Volume: 254, Page: 113686, https://doi.org/10.1016/j.apenergy.2019.113686 .
© AnuxoówMHü H.B., Tmynoe M.r, ^ecmonanoea T.A.
36. H. Niu, J. Wang. A combined model based on a data preprocessing strategy and a multi-purpose optimization algorithm for short-term wind speed forecasting // Appl Energy, Volume: 241 (2019), pp. 519539 ISSN: 0306-2619, https://doi.org/10.1016Zj.apenergy.2019.03.097
37. Karasu S. et al. Forecasting wind speed using nonlinear neural networks with autoregression (NAR) //25th Conference on Signal Processing and Communication Applications (SIU), 2017. - IEEE, 2017. - pp. 1-4.
38. Neural networks. Neural networks Statistica: Methodology and technology of continuous data analysis / Edited by V.P. Borovikov. - 2nd ed., trans. from English and additional. - M.: Hotline - Telecom, 2008. - 392 p.
39. Efen V. Improving the accuracy of forecasting time series based on the method of reference vectors / V. Efen, D.V. Li // Materials of the conference "Management in technical, ergatic, organizational and network systems" (UTE0SS-2012). - St. Petersburg.: SSC RF JSC "Concern"Central Research Institute "Electropribor", 2012. - pp. 545-548.
40. Karasu S. et al. Estimation of rapidly changing wind speed based on the NARX neural network using curve fitting //International Journal of Energy Applications and Technologies. - 2017. - Vol. 4. - No. 3.
- pp. 137-146.
41. Yang H. F., Chen Y. P. Studying representations using extreme learning machines and empirical decomposition of modes for wind speed forecasting methods //Artificial intelligence. - 2019. - vol. 277. - p. 103176. 28
42. Zhang V. et al. A combined model based on CEEMDAN and a modified flower pollination algorithm to predict wind speed //Energy conversion and management. - 2017. - Vol. 136. - pp. 439-451. 29
43. Gao R. et al. Time series prediction based on a network of echo states and empirical wavelet transform //Applied software computing. - 2021. - vol. 102. - p. 107111.
44. Yan X. et al. Multistep forecasting for diurnal wind speed based on hybrid deep learning model with improved singular spectrum decomposition //Energy Conversion and Management. - 2020. - T. 225. -C. 113456.32
45. Naik J., Dash P. K., Dhar S. A multi-objective wind speed and wind power prediction interval forecasting using variational modes decomposition based Multi-kernel robust ridge regression //Renewable Energy. - 2019. - T. 136. - C. 701-731.
46. Zhang C. et al. A compound structure of ELM based on feature selection and parameter optimization using hybrid backtracking search algorithm for wind speed forecasting //Energy Conversion and Management. - 2017. - T. 143. - C. 360-376. 39
47. Liu H. et al. A review on multi-objective optimization framework in wind energy forecasting techniques and applications //Energy Conversion and Management. - 2020. - T. 224. - C. 113324. 41
48. Chen Y. et al. Multifactor spatio-temporal correlation model based on a combination of convolutional neural network and long short-term memory neural network for wind speed forecasting //Energy Conversion and Management. - 2019. - T. 185. - C. 783-799.
49. Ribeiro M. H. D. M. et al. Efficient bootstrap stacking ensemble learning model applied to wind power generation forecasting //International Journal of Electrical Power & Energy Systems. - 2022. - T. 136.
- C. 107712
50. Jiang Z., Che J., Wang L. Ultra-short-term wind speed forecasting based on EMD-VAR model and spatial correlation //Energy Conversion and Management. - 2021. - T. 250. - C. 114919
51. Zubova, N. V. Development of control and forecasting algorithms to improve the energy efficiency of a wind power plant using fuzzy logic and neural networks / N. V. Zubova // Technologies and technical means of mechanized production of crop and livestock products. - 2017. - No. 91. - pp. 23-29.
52. Memarzadeh G., Keynia F. A new short-term wind speed forecasting method based on fine-tuned LSTM neural network and optimal input sets //Energy Conversion and Management. - 2020. - T. 213. - C. 112824. 51
53. López G., Arboleya P. Short-term wind speed forecasting over complex terrain using linear regression models and multivariable LSTM and NARX networks in the Andes Mountains, Ecuador //Renewable Energy. - 2022. - T. 183. - C. 351-368. 52
54. Kisvari A., Lin Z., Liu X. Wind power forecasting-A data-driven method along with gated recurrent neural network //Renewable Energy. - 2021. - T. 163. - C. 1895-1909. 53
55. Yildiz C. et al. An improved residual-based convolutional neural network for very short-term wind power forecasting //Energy Conversion and Management. - 2021. - T. 228. - C. 113731.
56. Fu W. et al. Multi-step ahead short-term wind speed forecasting approach coupling variational mode decomposition, improved beetle antennae search algorithm-based synchronous optimization and Volterra series model //Renewable energy. - 2021. - T. 179. - C. 1122-1139.
57. Niu Z. et al. Wind power forecasting using attention-based gated recurrent unit network //Energy. -2020. - T. 196. - C. 117081
Authors of the publication
Nadezhda V. Alikhodzhina - Moscow Power Engineering Institute, Moscow, Russia. Email: alikhojinanv@mpei. ru.
Mikhail G. Tyagunov - Moscow Power Engineering Institute, Moscow, Russia. ORCID*:
http://orcid.org/0000-0002-3061-2636
Email: TiagunovMG@mpei.ru.
Tatyana A. Shestopalova - Moscow Power Engineering Institute, Moscow, Russia. Email: ShestopalovaTA@mpei.ru.
Шифр научной специальности: 2.4.5. Энергетические системы и комплексы
Получено 25.04.2024 г.
Отредактировано 21.05.2024 г.
Принято 26.05.2024 г.
