«Труды Российского государственного университета нефти и газа имени И.М. Губкина»

Прогнозирование выработки ветряных электростанций и оценка влияния климатических параметров на кривую мощности ветрогенератора

УДК: 621.311
DOI: 10.33285/2073-9028-2022-1(306)-120-131

Авторы:

¹ Российский государственный университет нефти и газа (национальный исследовательский университет) имени И.М. Губкина, Москва, Российская Федерация

Ключевые слова: возобновляемые источники энергии, прогноз энергии ветра, машинное обучение, ветряная электростанция, оптовый рынок электроэнергии и мощности

Аннотация:

Статья посвящена вопросам прогнозирования выработки ветряных электростанций. Выполнен анализ существующих методов прогнозирования. Произведено моделирование кривой мощности ветрогенератора с использованием различных алгоритмов машинного обучения для оценки влияния климатических параметров на мощность ветрогенератора.

Список литературы:

1. Проект Ирины Чучуевой, посвященный математическому моделированию в области электроэнергетики. [Электронный ресурс]. – Режим доступа: https://www.mbureau.ru/blog/rezultaty-sorevnovaniya-v-alfaenergosbyt (Дата обращения: 01.12.2021).
2. Yuan-Jia Ma., Ming-Yue Zhai A. Dual-Step Integrated Machine Learning Model for 24h-Ahead Wind Energy Generation Prediction Based on Actual Measurement Data and Environmental Factor School of Electronic Information Eng., Guangdong University of Petrochemical Tech. 24 May 2019.
3. Angamuthu CR., Mukherjee A., Campion M., Salehfar H., Hansen T., Lin J., Ranganathan P. A multi-stage price forecasting model for day-ahead electricity markets, 2018. Forecasting 1:3.
4. Wang X.C., Guo P., Huang X.B. A Review of Wind Power Forecasting Models. Energy Procedia, 2011, no. 12, р. 770–778. [Электронный ресурс]. – Режим доступа: http://dx.doi.org/10.1016/j.egypro.2011.10.103
5. Zhao D.M., Zhu Y.C., Zhang X. Research on Wind Power Forecasting in Wind Farms. Proceedings of the 2011 IEEE Power Engineering and Automation Conference, Wuhan, 8–9 September, 2011, р. 175–178. [Электронный ресурс]. – Режим доступа: http://dx.doi.org/10.1109/PEAM.2011.6134829
6. Zhao X., Wang S.X., Li T. Review of Evaluation Criteria and Main Methods of Wind Power Forecasting. Energy Procedia, 2011, no. 12, р. 761–769. [Электронный ресурс]. – Режим доступа: http://dx.doi.org/10.1016/j.egypro.2011.10.102
7. Wu Y., Hong J. A literature review of wind forecasting technology in the world. In Proceedings of the IEEE Lausanne Power Tech, Lausanne, Switzerland, 1–5 July 2007, p. 504–509.
8. Thorarinsdottir T.L., Gneiting Т. Probabilistic forecasts of wind speed: ensemble model output statistics by using heteroscedastic censored regression. Journal of the Royal Statistical Society: Series A (Statistics in Society), 2010, р. 173:371–388.
9. Zhao D.M., Zhu Y.C., Zhang X. Research on Wind Power Forecasting in Wind Farms. Proceedings of the 2011 IEEE Power Engineering and Automation Conference, Wuhan, 8–9 Sep tember 2011, р. 175–178. [Электронный ресурс]. – Режим доступа: http://dx.doi.org/10.1109/PEAM.2011.6134829
10. Wu Q., Guan F., Lv C., Huang Y. Ultra-short-term multi-step wind power forecasting based on CNN-LSTM. IET Renew. Power Gener., 2021, no. 15, р. 1019–1029.
11. Shabbir N., AhmadiAhangar R., Kütt L., Iqbal M.N., Rosin A. Forecasting short term wind energy generation using machine learning. In Proceedings of the 2019 IEEE 60th International Scientific Conference on Power and Electrical Engineering of Riga Technical University (RTUCON), Riga, Latvia, 7–9 р.
12. Singh U., Rizwan M., Alaraj M., Alsaidan I. A Machine Learning-Based Gradient Boosting Regression Approach for Wind Power Production Forecasting: A Step towards Smart Grid Environments. Energies, 2021, no. 14, p. 5196. [Электронный ресурс]. – Режим доступа: https://doi.org/10.3390/en14165196
13. Набор открытых данных с публичной веб-платформы Kaggle. [Электронный ресурс]. – Режим доступа: https://www.kaggle.com/pravdomirdobrev/texas-wind-turbine-dataset-simulated (Дата обращения: 01.12.2021).