Прогнозирование ветроэнергетики

Прогноз ветровой энергии соответствует оценке ожидаемого производства одной или нескольких ветряных турбин (называемых ветряной электростанцией ) в ближайшем будущем, вплоть до года. Прогнозы обычно выражаются в единицах доступной мощности ветряной электростанции, иногда в единицах энергии. , что указывает на потенциал производства электроэнергии за определенный интервал времени.

Временные масштабы прогнозов

Прогнозирование производства ветровой энергии может рассматриваться в различных временных масштабах, в зависимости от предполагаемого применения:

• очень краткосрочные прогнозы (от секунд до минут) используются для управления турбинами и электросетями в реальном времени , а также для очистки рынка ;
• краткосрочные прогнозы (от 30 минут до часов) используются для планирования диспетчеризации , принятия интеллектуальных решений по сбросу нагрузки ;
• среднесрочные прогнозы (от 6 часов до суток) используются для принятия решений о включении или выключении турбины в целях безопасности или конъюнктуры рынка;
• долгосрочные прогнозы (от дня до недели и даже года) используются для долгосрочного планирования (составление графика технического обслуживания или обязательств подразделения , оптимизация затрат на эксплуатацию ). Техническое обслуживание морских ветряных электростанций может быть особенно дорогостоящим, поэтому оптимальное планирование операций по техническому обслуживанию имеет особое значение.

Для последних двух возможностей временное разрешение прогнозов ветровой энергии колеблется от 10 минут до нескольких часов (в зависимости от продолжительности прогноза). Улучшение прогнозирования ветровой энергии было сосредоточено на использовании большего количества данных в качестве входных данных для задействованных моделей, а также на предоставлении оценок неопределенности наряду с традиционно предоставляемыми прогнозами.

Причина прогнозов ветроэнергетики

В электросети в любой момент должен поддерживаться баланс между потреблением и выработкой электроэнергии – в противном случае могут возникнуть нарушения качества или подачи электроэнергии. Ветровая генерация является прямой функцией скорости ветра и, в отличие от традиционных систем генерации, не поддается легкому диспетчеризации , поэтому колебания ветровой генерации требуют замены энергии из других источников, которые могут быть недоступны в короткие сроки (для запуска требуется 6 часов). угольную электростанцию ​​и 12 часов на атомную). Проблема усложняется, когда энергия ветра начинает обеспечивать более небольшой процент всей электроэнергии, подаваемой в сеть. Более точные прогнозы позволяют коммунальным предприятиям задействовать меньше вращающихся резервов , обычно генераторов на природном газе.

Прогнозы обычно запрашиваются коммунальными предприятиями в двух отдельных временных масштабах:

1. краткосрочный (от минут до 6 часов) прогноз используется для корректировки вращающихся резервов;
2. долгосрочный (от дня к неделе) прогноз используется коммунальным предприятием для планирования структуры энергопотребления или покупки электроэнергии у других поставщиков. Обычно эта информация необходима на основе «на день вперед» (например, к 6 утра), но рынки, как правило, не работают в выходные и праздничные дни, поэтому иногда используются более длительные прогнозы.

Проблемы, с которыми сталкиваются коммунальные предприятия при внедрении ветровой генерации в энергосистему, зависят от доли этой возобновляемой энергии и от того, насколько хорошо подключена сеть. Ветроэнергетика в Дании удовлетворяет почти половину спроса на электроэнергию в стране, в то время как мгновенное проникновение (то есть мгновенное производство ветровой энергии по сравнению с потреблением, которое должно быть удовлетворено в данный момент) иногда превышает 100%. В отличие от некоторых ветреных районов США, которым не хватает мощности энергосистемы, ее легко экспортировать.

Оператор системы передачи (TSO) отвечает за управление балансом электроэнергии в сети: в любой момент производство электроэнергии должно соответствовать потреблению. Поэтому использование производственных средств планируется заранее, чтобы реагировать на профили нагрузки. Нагрузка соответствует общему потреблению электроэнергии на интересующей территории. Профили нагрузки обычно представляют собой прогнозы нагрузки, которые имеют высокую точность. Для составления ежедневного графика операторы газотранспортной системы могут учитывать собственные средства производства электроэнергии, если они у них есть, и/или они могут приобретать электроэнергию у независимых производителей электроэнергии (НЭС) и коммунальных предприятий посредством двусторонних контрактов или энергетических пулов. В условиях дерегуляции на рынке появляется все больше игроков, тем самым разрушая традиционную ситуацию вертикально интегрированных коммунальных предприятий с квазилокальными монополиями. Два основных механизма составляют рынки электроэнергии. Первый – это спотовый рынок, на котором участники предлагают количество энергии на следующий день по заданной себестоимости. Аукционная система позволяет устанавливать спотовую цену на электроэнергию для различных периодов в зависимости от различных заявок. Второй механизм – балансировка выработки электроэнергии, координируемая ОПС. В зависимости от дефицита и избытка энергии (например, из-за сбоев электростанций или перебоев в случае ветроэнергетических установок) TSO определяет штрафы, которые будут выплачиваться независимыми поставщиками электроэнергии, не выполнившими свои обязательства. В некоторых случаях также присутствует внутридневной рынок для принятия корректирующих действий.

Чтобы проиллюстрировать этот механизм рынка электроэнергии, рассмотрим голландский рынок электроэнергии . Участники рынка, называемые ответственными сторонами программы (PRP), подают свои предложения по цене и количеству до 11 часов утра на период поставки, охватывающий следующий день с полуночи до полуночи. Единица времени программы (PTU) на балансирующем рынке составляет 15 минут. Балансировка усредненной за 15 минут мощности требуется от всех производителей и потребителей электроэнергии, подключенных к сети, которые для этой цели могут быть организованы в подгруппы. Поскольку эти поднаборы называются программами, балансировка по 15-минутной шкале называется программным балансом. Баланс программы теперь поддерживается с помощью производственных графиков, публикуемых за день до поставки, и отчетов об измерениях (рассылаемых на следующий день после поставки). Когда измеренная мощность не равна запланированной мощности, программный дисбаланс представляет собой разницу между реализованной суммой производства и потребления и прогнозируемой суммой производства и потребления. Если принять во внимание только производство энергии ветра, дисбаланс программы сводится к реализованному производству энергии ветра минус прогнозируемому производству энергии ветра. Дисбаланс программы – это ошибка прогноза ветропроизводства.

Дисбаланс Программы урегулируется Системным Оператором с использованием различных тарифов за отрицательный Дисбаланс Программы и положительный Дисбаланс Программы. Положительный программный дисбаланс указывает на то, что фактически произведено больше энергии, чем прогнозируется. по ветровой энергии реализованное производство энергии ветра превышает прогнозируемое производство энергии ветра. И наоборот, в случае отрицательного Программного дисбаланса по ветроэнергетике.

Обратите внимание, что издержки положительного и отрицательного дисбаланса могут быть асимметричными в зависимости от механизма балансирующего рынка. В целом, производители ветровой энергии страдают от такой рыночной системы, поскольку значительная часть их продукции может подвергаться штрафам.

Помимо участия в рынке, прогнозы ветровой энергии могут использоваться для оптимальной совместной работы ветровой и традиционной генерации, ветровой и гидроэнергетики или ветра в сочетании с некоторыми устройствами хранения энергии. Они также служат основой для количественной оценки резервных потребностей для компенсации возможного дефицита ветровой энергии.

Общая методология

Для краткосрочного прогнозирования генерации ветра используются несколько методов разной степени сложности:

• Метод постоянства наивен: он предполагает, что мощность ветра в следующем временном интервале останется такой же, как текущая измеренная мгновенная мощность. Эффективность прогноза, естественно, быстро ухудшается с течением времени, и обычно этот метод используется в качестве набора чисел базового уровня для сравнения прогнозов других методов;
• физические методы, которые используют результаты численного прогноза погоды , пересчитывают их в скорость ветра на месте генерации с использованием физических характеристик территории вокруг ветряной электростанции и преобразуют скорость в прогнозы мощности с использованием кривой мощности турбины;
• Статистические методы основаны на моделях, которые предполагают линейную или нелинейную связь между результатами численного прогноза погоды и мощностью ветра, при этом коэффициенты обучаются с использованием исторических данных. Два широких подкласса статистических моделей:
  • временной ряд;
  • ИНС;
• гибридные методы.

Передовые подходы к краткосрочному прогнозированию ветровой энергии требуют прогнозирования метеорологических переменных в качестве исходных данных. Кроме того, они различаются способом преобразования прогнозов метеорологических переменных в прогнозы производства энергии ветра с помощью так называемой кривой мощности . Такие продвинутые методы традиционно делятся на две группы. Первая группа, называемая физическим подходом, фокусируется на описании ветрового потока вокруг и внутри ветряной электростанции и использует кривую мощности производителя для предложения оценки выходной мощности ветра. Параллельно вторая группа, называемая статистическим подходом, концентрируется на выявлении связи между метеорологическими прогнозами (и, возможно, историческими измерениями) и выходной мощностью с помощью статистических моделей, параметры которых должны быть оценены на основе данных, без каких-либо предположений о физических явлениях.

Прогнозирование метеорологических переменных

Производство ветровой энергии напрямую связано с погодными условиями, и поэтому первым аспектом прогнозирования ветровой энергии является прогноз будущих значений необходимых погодных переменных на уровне ветряной электростанции. Это делается с помощью моделей численного прогноза погоды (ЧПП). Такие модели основаны на уравнениях, описывающих движение и силы, влияющие на движение жидкостей. На основе знания фактического состояния атмосферы система уравнений позволяет оценить, какой будет эволюция переменных состояния, например, температуры, скорости, влажности и давления, в ряде точек сетки. Метеорологические переменные, которые необходимы в качестве исходных данных для прогнозирования мощности ветра, очевидно, включают скорость и направление ветра, а также, возможно, температуру, давление и влажность. Расстояние между точками сетки называется пространственным разрешением ЧПП. Интервал сетки обычно варьируется от нескольких километров до 50 километров для мезомасштабных моделей. Что касается временной оси, то продолжительность прогноза большинства операционных моделей сегодня составляет от 48 до 172 часов вперед, что соответствует требованиям применения ветроэнергетики. Временное разрешение обычно составляет от 1 до 3 часов. Модели ЧПП навязывают свое временное разрешение методам краткосрочного прогнозирования ветровой энергии, поскольку они используются в качестве прямых входных данных.

Прогнозы метеорологических переменных предоставляются метеорологическими институтами. Метеорологи используют атмосферные модели для прогнозов погоды на краткосрочный и среднесрочный периоды. Модель атмосферы представляет собой численную аппроксимацию физического описания состояния атмосферы в ближайшем будущем и обычно выполняется на суперкомпьютере. Каждое вычисление начинается с начальных условий, полученных в результате недавних измерений. Выходные данные состоят из ожидаемого мгновенного значения физических величин на различных вертикальных уровнях в горизонтальной сетке с шагом во времени до нескольких часов после инициирования. Есть несколько причин, по которым атмосферные модели лишь приближают реальность. Прежде всего, в модель включены не все важные атмосферные процессы. Кроме того, начальные условия могут содержать ошибки (которые в худшем случае распространяются), а выходные данные доступны только для дискретных точек в пространстве (как по горизонтали, так и по вертикали) и времени. Наконец, начальные условия со временем стареют — они устаревают уже к моменту начала вычислений, не говоря уже о моменте публикации результатов. Прогнозы метеорологических переменных выпускаются несколько раз в день (обычно от 2 до 4 раз в день) и доступны через несколько часов после начала периода прогноза. Это связано с тем, что требуется некоторое время для получения и анализа множества измерений, используемых в качестве входных данных для моделей ЧПП, а затем запуска модели, проверки и распространения выходных рядов прогнозов. Этот пробел является слепым пятном в прогнозах атмосферной модели. Например, в Нидерландах KNMI публикует 4 раза в день ожидаемые значения скорости ветра, направления ветра, температуры и давления за период от 0 до 48 часов после инициализации атмосферной модели Хирлама с измеренными данными, а затем за период до прогнозируемая доставка 4 часа.

Доступно множество различных моделей атмосферы: от инструментов академических исследований до полностью рабочих инструментов. Кроме того, по самой природе модели (физические процессы или численные схемы) между ними есть некоторые четкие отличительные различия: временной интервал (от нескольких часов до 6 дней вперед), площадь (несколько 10 000 км2). ² на площадь, охватывающую половину планеты), горизонтальное разрешение (от 1 км до 100 км) и временное разрешение (от 1 часа до нескольких часов).

Одной из моделей атмосферы является модель ограниченной области высокого разрешения, сокращенно HIRLAM , которая часто используется в Европе. HIRLAM выпускается во многих версиях; именно поэтому лучше говорить о «ХИРЛАМЕ», а не о «ТОМ» ХИРЛАМЕ. Каждая версия поддерживается национальным институтом, например, голландским KNMI , датским DMI или финским FMI . И каждый институт имеет под своим крылом несколько версий, разделенных на такие категории, как: оперативные, предэксплуатационные, полуоперативные и для исследовательских целей.

Другие атмосферные модели:

• UM в Великобритании, которым управляет Met Office ,
• COSMO и ICON в Германии, управляемые DWD ,
• АЛАДИН во Франции, которым управляет Météo-France ,
• и GFS в США, управляемый NCEP .

Обратите внимание, что ALADIN и COSMO также используются в других странах Европы, а UM используется BOM в Австралии.

Физический подход к прогнозированию ветроэнергетики

Метеорологические прогнозы даются в конкретных узлах сетки, покрывающей территорию. Поскольку ветряные электростанции не расположены на этих узлах, необходимо экстраполировать эти прогнозы в желаемом месте и на высоте ступицы турбины. Физические методы прогнозирования состоят из нескольких подмоделей, которые в целом обеспечивают преобразование прогноза ветра в определенной точке сетки и на уровне модели в прогноз мощности на рассматриваемом участке. Каждая подмодель содержит математическое описание физических процессов, связанных с переводом. Поэтому знание всех соответствующих процессов имеет решающее значение при разработке чисто физического метода прогнозирования (например, ранних версий датского Prediktor). Основная идея физических подходов заключается в уточнении ЧПП с использованием физических соображений о местности, таких как неровности, орография и препятствия, а также путем моделирования местного профиля ветра, возможно, с учетом стабильности атмосферы. Двумя основными альтернативами для этого являются: (i) объединить моделирование профиля ветра (в большинстве случаев с логарифмическим предположением) и закона геострофического сопротивления для получения приземных ветров; (ii) использовать код CFD (вычислительная гидродинамика), который позволяет точно рассчитать поле ветра, которое будет видеть ферма, с учетом полного описания местности.

Когда известен ветер на уровне ветроэлектростанции и на высоте хаба, второй шаг заключается в преобразовании скорости ветра в мощность. Обычно эта задача решается с использованием теоретических кривых мощности, предоставленных производителем ветряных турбин. Однако, поскольку несколько исследований показали интерес к использованию эмпирически полученных кривых мощности вместо теоретических, теоретические кривые мощности рассматриваются все меньше и меньше. При применении физической методологии моделирование функции, которая определяет выработку ветра от ЧПП в заданных местах вокруг ветряной электростанции, выполняется один раз для всех. Затем оцененная передаточная функция последовательно применяется к имеющимся прогнозам погоды на данный момент. Чтобы учесть систематические ошибки прогнозирования, которые могут быть связаны с моделью ЧПП или с их подходом к моделированию, разработчики физического моделирования часто интегрируют выходную статистику модели (MOS) для прогнозов мощности постобработки.

Статистический подход к прогнозированию ветроэнергетики

Методы статистического прогнозирования основаны на одной или нескольких моделях, которые устанавливают связь между историческими значениями мощности, а также историческими и прогнозными значениями метеорологических переменных и измерениями энергии ветра. Физические явления не разлагаются и не учитываются, даже если экспертиза проблемы имеет решающее значение для выбора правильных метеорологических переменных и разработки подходящих моделей. Параметры модели оцениваются на основе набора прошлых доступных данных и регулярно обновляются в ходе онлайн-работы с учетом любой новой доступной информации (например, метеорологических прогнозов и измерений мощности).

Статистические модели включают линейные и нелинейные модели, а также модели структурного типа и модели «черного ящика». Структурные модели полагаются на опыт аналитика в отношении интересующего явления, в то время как модели «черного ящика» требуют небольших знаний предмета и строятся на основе данных довольно механическим способом. Что касается прогнозирования энергии ветра, структурными моделями будут те, которые включают моделирование суточных изменений скорости ветра или явную функцию прогнозирования метеорологических переменных. Модели черного ящика включают большинство моделей, основанных на искусственном интеллекте, таких как нейронные сети (NN) и машины опорных векторов (SVM). Однако некоторые модели являются «промежуточными» между двумя крайностями: полностью «черный ящик» или структурный подход. Это случай экспертных систем, которые учатся на основе опыта (из набора данных) и в которые можно внедрить предварительные знания. Затем мы поговорим о моделировании серого ящика. Статистические модели обычно состоят из авторегрессионной части, предназначенной для определения постоянного поведения ветра, и «метеорологической» части, которая заключается в нелинейном преобразовании прогнозов метеорологических переменных. Авторегрессионная часть позволяет существенно повысить точность прогноза на горизонты до 6–10 часов вперед, т.е. на период, в течение которого одного лишь использования метеорологической прогностической информации может оказаться недостаточно для превосходства инерционности.

Сегодня основные разработки статистических подходов к прогнозированию энергии ветра концентрируются на использовании нескольких метеорологических прогнозов (от разных метеорологических служб) в качестве входных данных и комбинации прогнозов, а также на оптимальном использовании пространственно распределенных данных измерений для коррекции ошибок прогнозирования или, альтернативно, для выдачи предупреждений о потенциально большой неопределенности.

от Google DeepMind использует нейронную сеть для улучшения прогнозирования.

Неопределенность прогнозов ветроэнергетики

Внешний образ
Прогноз на завтра для трех системных областей; Дания Запад и Восток и Эстония

Современные конструкции оптимальны только для нетурбулентных, устойчивых условий. Инструменты проектирования, учитывающие неустойчивость и турбулентность, развиты гораздо меньше.

Прогнозы выработки энергии ветра традиционно предоставляются в форме точечных прогнозов, т.е. одного значения для каждого прогнозного времени, которое соответствует ожидаемому или наиболее вероятному результату. Их преимущество в том, что они легко понятны, поскольку ожидается, что это единственное значение расскажет все о будущем производстве электроэнергии. Сегодня большая часть исследовательских усилий по прогнозированию энергии ветра по-прежнему сосредоточена только на точечном прогнозировании с целью ассимилировать все больше и больше наблюдений в модели или повысить разрешение физических моделей для лучшего представления полей ветра в очень локальном масштабе для пример. Эти усилия могут привести к значительному снижению уровня ошибки прогнозирования.

Однако даже при лучшем понимании и моделировании как метеорологических процессов, так и процессов преобразования энергии в каждом прогнозе всегда будет присутствовать присущая и неуменьшаемая неопределенность. Эта эпистемическая неопределенность соответствует неполному знанию процессов, влияющих на будущие события. Поэтому в дополнение к точечным прогнозам генерации ветра на ближайшие часы или дни большое значение имеет предоставление средств для онлайн-оценки точности этих прогнозов. Сегодня на практике неопределенность выражается в форме вероятностных прогнозов или индексов риска, предоставляемых наряду с традиционными точечными прогнозами. Было показано, что некоторые решения, связанные с управлением ветроэнергетикой и торговлей ею, являются более оптимальными с учетом неопределенности прогноза. На примере торгового приложения исследования показали, что надежная оценка неопределенности прогноза позволяет производителю ветроэнергетики значительно увеличить свой доход по сравнению с использованием только расширенного метода точечного прогнозирования. Другие исследования этого типа посвящены оптимальной динамической количественной оценке резервных требований. оптимальная работа комбинированных систем, включающих ветровое или многозонное многоступенчатое регулирование. Ожидается, что все больше и больше исследовательских усилий будет посвящено неопределенности прогнозов и смежным темам.

Согласно отчету коалиции исследователей из университетов, промышленности и правительства при поддержке Центра Аткинсона по устойчивому будущему Корнелльского университета , существует ряд вопросов, на которые еще предстоит ответить. Они включают в себя:

• Как ветряные электростанции с их многочисленными следами взаимодействуют с пограничным слоем атмосферы, чтобы определить чистую мощность, которая может быть произведена?
• Как неровности местности, неровности суши или морской поверхности, а также турбулентность над пограничным слоем и следами турбины влияют на нестационарную нагрузку лопастей расположенных ниже по потоку ветряных турбин?
• Как влияет стабильность атмосферы (конвективная, нейтральная или устойчиво стратифицированная) на характеристики производительности и нагрузки в течение типичного суточного цикла?
• Каково оптимальное размещение ветряных турбин в массиве, чтобы можно было максимизировать захват кинетической энергии и минимизировать нестационарную нагрузку?

В отчете также представлены возможные инструменты, используемые для поддержки этого необходимого исследования.

Точность

Корреляция между мощностью ветра и прогнозом может быть относительно высокой: средняя неисправленная ошибка составляет 8,8% в Германии за двухлетний период.

См. также

• Энергетическое прогнозирование
• В конкурсе глобального энергетического прогнозирования есть трек для прогнозирования ветровой энергии.

Ссылки

• Сеть Э.ОН. Отчет о ветре 2004 г., Отчет о ветре 2005 г.
• Р. Доэрти и М. О'Мэлли. Новый подход к количественной оценке потребности в резервах в системах со значительной установленной ветровой мощностью. Транзакции IEEE в энергосистемах 20 (2), стр. 587–595, 2005 г.
• Гибель Г., Браунсворд Р., Кариниотакис Г., Денхард М., Драксл К. Современные достижения в области краткосрочного прогнозирования ветроэнергетики. Обзор литературы, 2-е издание . Отчет о проектах Anemos.plus и SafeWind. 110 стр. Рисё, Роскилле, Дания, 2011 г.
• М. Ланге и У. Фоккен. Физический подход к краткосрочному прогнозу ветровой энергии , Спрингер, ISBN   3-540-25662-8 , 2005 г.
• Л. Ландберг, Г. Гибель, Х.Аа. Нильсен, Т.С. Нильсен, Х. Мэдсен. Краткосрочный прогноз – обзор, Wind Energy 6(3), стр. 273–280, 2003 г.
• Х. Мэдсен, П. Пинсон, Х.Аа. Нильсен, Т. С. Нильсен и Г. Кариниотакис. Стандартизация оценки эффективности моделей краткосрочного прогнозирования энергии ветра, Wind Engineering 29 (6), стр. 475–489, 2005 г.
• П. Пинсон, К. Шевалье и Г. Кариотакис. Генерация пассатного ветра с краткосрочными вероятностными прогнозами ветровой энергии, IEEE Transactions on Power Systems 22 (3), стр. 1148–1156, 2007 г.
• П. Пинсон, С. Лозано, И. Марти, Г. Кариниотакис и Г. Гибель. ViLab: виртуальная лаборатория для совместных исследований в области прогнозирования ветровой энергии, Wind Engineering 31 (2), стр. 117–121, 2007 г.
• П. Пинсон, Х.Аа. Нильсен, Дж. К. Мёллер, Х. Мэдсен и Г. Кариниотакис. Непараметрические вероятностные прогнозы ветроэнергетики: требуемые свойства и оценка, Ветроэнергетика , в печати, 2007 г.
• Шобана Деви, А.; Марагатам, Г.; Бупати, К.; Лаванья, MC; Саранья, Р. (2021). «Долгосрочное прогнозирование скорости ветра — обзор». Методы искусственного интеллекта для передовых вычислительных приложений . Конспекты лекций по сетям и системам. Том. 130. С. 79–99. дои : 10.1007/978-981-15-5329-5_9 . ISBN  978-981-15-5328-8 . S2CID   225028045 .
• Хаупт, Сью Эллен; Махони, Уильям П. (2015). «Укрощение ветроэнергетики с помощью более точных прогнозов» . IEEE-спектр . 52 (11): 47–52. дои : 10.1109/MSPEC.2015.7335902 . S2CID   2408824 .
• Рунгквист, Янник Шютц; Эневолдсен, Питер (2020). «Временная классификация в прогнозировании ветра: обзор современного состояния». Журнал прогнозирования . 39 (5): 757–768. дои : 10.1002/для.2657 . S2CID   213701146 .
• Ханифи, Шахрам; Лю, Сяолэй; Лин, Цзы; Лотфиан, Саид (2020). «Критический обзор методов прогнозирования ветроэнергетики — прошлое, настоящее и будущее» . Энергии . 13 (15): 3764. doi : 10.3390/en13153764 .

Внешние ссылки

• Документация HiRLAM в ECMWF