PROBABILISTIC FORECASTING METHODS FOR WIND PLANTS CURRENT POWER
  The share of wind energy in total electricity consumption is increasing, which causes a significant uncontrolled impact on the energy system. This makes the problems for the traditional power plants planning and distribution grids stability, so as electricity market procedures. One of...
Збережено в:
| Дата: | 2018 |
|---|---|
| Автор: | |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Institute of Renewable Energy National Academy of Sciences of Ukraine
2018
|
| Теми: | |
| Онлайн доступ: | https://ve.org.ua/index.php/journal/article/view/12 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Vidnovluvana energetika |
| Завантажити файл: |  |
Репозитарії
Vidnovluvana energetika| _version_ | 1871102997043347456 |
|---|---|
| author | Uzheyko, S. |
| author_facet | Uzheyko, S. |
| author_institution_txt_mv | [
{
"author": "S. Uzheyko",
"institution": null
}
] |
| author_sort | Uzheyko, S. |
| baseUrl_str | https://ve.org.ua/index.php/journal/oai |
| collection | OJS |
| datestamp_date | 2026-07-18T06:32:06Z |
| description |  
The share of wind energy in total electricity consumption is increasing, which causes a significant uncontrolled impact on the energy system. This makes the problems for the traditional power plants planning and distribution grids stability, so as electricity market procedures. One of the ways to solve the problem is to improve the wind power short-term forecasting, usually within two days time horizon. To obtain reliable forecasts, many methods have been developed that can be divided into two categories – physical methods that use many physical concepts to achieve the best prediction accuracy, and statistical methods trying to find links between a large number of variables, including the results of physical predictions and historical data arrays. Different models of artificial intelligence and spatial correlations are gaining popularity. A typical step of the generalized forecasting model includes scaling the wind speed to the height of the wind turbine rotor axis. This data is then transferred to the generated power.
Traditionally, the forecast is formulated in the form of a certain deterministic power value. The advantage of such prediction is less complexity. However, the increase in the renewable energy share leads to the new requirements for predictive quality, and the elementary assessment becomes inadequate. The paradigm shift in favor of probabilistic forecasts is expected. Modern forecasting methods can provide more information, and often in the form of uncertainty forecasts. Statistical methods are used to determine such indicators as “reliability”, “sharpness” and “resolution”. The main sources of uncertainty in meteorology are atmospheric unpredictability, an uncertainty of data interpretation, errors in the forecast composing and the forecast interpretation. Forecast uncertainty for application in the power industry contains next procedures: statistical methods of probabilistic forecasts, statistically-based ensemble scenarios, physically based ensemble forecasts.
The choice of prediction methods and the list of calculated results depends on the needs of end-users. It is important to determine which methods are acceptable or may contain restrictions. This is provided by studying the forecasting methodology and the growing requirements for the reliability of electricity supply. |
| first_indexed | 2025-07-17T11:36:43Z |
| format | Article |
| fulltext |
ВІТРОЕНЕРГЕТИКА ISSN 1819-8058
Відновлювана енергетика. 2018. № 1 70
УДК 621.311.24:51-73
ІМОВІРНІСНІ МЕТОДИ ПРОГНОЗУВАННЯ ПОТОЧНОЇ ПОТУЖНОСТІ
ВІТРОЕЛЕКТРИЧНИХ СТАНЦІЙ
С.О.Ужейко, аспірант
Інститут відновлюваної енергетики НАН України,
02094, м. Київ, вул. Гната Хоткевича, 20А, тел./факс +38-044-206-28-09, e-mail: renewable@ukr.net
Протягом останніх років у світі збільшуєтьсясумарна потужність вітрових електричних станцій, підключених до розпо-
дільчих мереж в якості розподілених генераторів енергії. При зростанні частки вітрової енергетики все більш значимим
стає їх вплив на роботу енергосистеми через мінливий характер енергії вітру. Короткотермінове прогнозування графіків
роботи ВЕС має враховувати випадкову природу вітру як енергоносія та забезпечувати надійністьпрогнозу.Тому все біль-
шої актуальності набувають імовірнісні методи прогнозування вихідної потужності вітрових станцій, які було розгляну-
то в даній статті. Бібл. 10, рис. 1.
Ключові слова: енергосистема,вітроелектричні станції, методи прогнозування, швидкість вітру.
PROBABILISTIC FORECASTING METHODS FOR WIND PLANTS CURRENT
POWER
S. Uzheyko, Postgraduate Student
Institute of Renewable Energy, NAS of Ukraine,
HnataKhotkevycha, 20А, 02094, Kyiv-94, Ukraine, Phone/fax: +38-044-206-28-09, e-mail: renewable@ukr.net.
Recent years the world total power of wind plants connected to distribution networks has increased. With the increasing of wind
energy share their influence on the power grid operation increases significantly due to the changing nature of wind energy. Short-
term forecasting of WP work schedules should take into account the random nature of the wind as an energy source and ensure the
reliability of the forecast. Therefore, probabilistic methods of wind power forecasting considered in this article are becoming in-
creasingly relevant. References 10, fig. 1.
Keywords: power grid, wind plants, forecasting methods, wind speed.
Ужейко С.О.
Uzheyko S.O.
Відомості про автора: аспірант Інституту від-
новлюваної енергетики НАН України.
Освіта: Національний технічний університет
України "Київський політехнічний інститут
імені Ігоря Сікорського", факультет електро-
енерготехнiки та автоматики.
Область наукових інтересів: програмування,
відновлювана енергетика.
Публікації: 8 публікацій.
ORCID: 0000-0002-2789-8055
Author information:Postgraduate Student of the
Institute of Renewable Energy of the NAS of
Ukraine.
Education:National Technical University of
Ukraine KPI on Electric Power Engineering and
Automatics Faculty,
Main research interests: programming, renew-
able energy.
Publications:8 publications.
ORCID: 0000-0002-2789-8055
Перелік використаних позначень
ANN – штучна нейронна мережа;
ARIMA – авторегресія з рухомим середнім;
МАЕ – середня абсолютна похибка;
NWP – фізичні методи прогнозування погоди;
RMSE – середньоквадратична похибка;
Prob – імовірність;
PDF – функція щільності розподілу імовірності;
ВЕС – вітроелектрична станція;
ВМО – Всесвітня метеорологічна організація;
СКВ (STD) – середньоквадратичне відхилення.
© С.О.Ужейко, 2018
ВІТРОЕНЕРГЕТИКА ISSN 1819-8058
Відновлювана енергетика. 2018. № 1 71
Вступ. Щорічно у світі збільшується загальна
встановлена потужність вітрових електричних
станцій (ВЕС), зокрема у 2017 році було додано
близько 60 ГВт потужності. Якщо збережеться
така ж тенденція, то за прогнозами у 2021 році
загальна потужність ВЕС перевищить 800 ГВт [1].
Вироблення електроенергії ВЕС залежить від
швидкості вітру, яка в свою чергу залежить від
погодних умов, природних перешкод та рельєфу
місцевості. Вона також змінюється з висотою,
тому носить випадковий характер і не може за-
безпечити стійку генерацію електроенергії для
енергосистеми. Таким чином, коли частка енергії
вітру в загальній розподільчій мережі зростає, то
виникає значний неконтрольований вплив на
енергетичну систему. Серед проблем, до яких це
призводить, можна виділити ускладнення плану-
вання роботи традиційних електростанцій, задачі
оцінки вартості виробленої електроенергії в за-
лежності від типу кінцевого споживача, плану-
вання технічного обслуговування компонентів
великих енергетичних установок, вітрових турбін
або ліній електропередачі. Як наслідок, регуля-
тори енергосистеми повинні скласти детальні
плани розрахункового виробітку електроенергії
та визначити резервну потужність. Для зменшен-
ня резервної потужності та збільшення частки
вітрової енергії потрібне точне прогнозування
вітрового потенціалу в кожному конкретному
випадку та результуючої роботи ВЕС.
Постановка задач прогнозування. Прогноз
– це обґрунтована ймовірнісна оцінка стану
об’єкту або значення величини, що характеризує
об’єкт або процес, через певний проміжок часу
[2]. Процес прогнозування потребує побудови
математичної моделі для залежності прогнозної
величини від певних факторів, та власне отри-
мання прогнозів на основі розробленої моделі.
Під короткостроковим прогнозуванням зви-
чайно розуміють погодинні (іноді півгодинні)
значення електричної потужності певної енерго-
системи з горизонтом упередження 24-48 год.
Під погодинними значеннями, як це прийнято в
НЕК "Укренерго", вважають середню потужність
за годину, яка за абсолютним значенням дорів-
нює спожитій за годину електричній енергії, але
вимірюється в одиницях потужності. Особливи-
ми випадками є прогнозування потужності в пев-
ний час доби, оцінка добового максимуму та го-
дини максимуму генерації і навантаження. Біль-
шість з вказаних прогнозів можна отримати з ба-
зового прогнозу погодинних значень, але інколи
врахування особливостей прогнозованої величи-
ни може підвищити якість прогнозів.
Якість короткострокових прогнозів оціню-
ється за параметрами точності, стабільності та
обґрунтованості отриманих результатів. Під точ-
ністю розуміють середнє відхилення розрахова-
них значень від фактичних і на практиці оціню-
ють за кінцевим остаточним показником за до-
помогою обраної метрики помилок, наприклад
середньої абсолютної похибки МАЕ (Mean
absolute error), або середньоквадратичної помил-
ки (RMSE). Стабільність результатів може бути
охарактеризована декількома способами. Най-
більш загальним є побудова емпіричної функції
розподілу похибки та її визначення. На практиці
ж частіше використовують наступні показники:
максимальна похибка, матема-тичне очікування
похибки, середньоквадратичне відхилення похи-
бки, або стандартна девіація (STD), як у іменова-
них одиницях, так і у відсотках. Обґрунтованість
прогнозу оцінюється відношенням кількості екс-
тремальних похибок до їх загальної кількості.
Під екстремальними мають на увазі похибки, які
виходять за довірчий інтервал або не відповіда-
ють регламентованій точності прогнозу.
Постановка задачі прогнозування залежить
від того, моделюється швидкість вітру чи енергія
ВЕС. Порівняння безпосереднього прогнозування
енергії і швидкості вітру з наступним перерахун-
ком у енергію виявило, що використання прогно-
зів швидкості вітру дає перевагу для часових го-
ризонтів в кількості до 8-12 годин, але для довших
горизонтів помітних переваг у точності немає.
Методи прогнозування. Прогнозування у
відновлюваній енергетиці набуло розвитку за
останні 20 років. В основу прогнозування було
покладено детермінований підхід (deterministic
forecasting), що практикується на всіх енергетич-
них ринках із значним − до кількох відсотків за-
гального споживання − рівнем проникнення віт-
рової електроенергії [3]. Проте в майбутньому
очікується зміна парадигми на користь імовірніс-
ВІТРОЕНЕРГЕТИКА ISSN 1819-8058
Відновлювана енергетика. 2018. № 1 72
них прогнозів в наступному поколінні енергосис-
тем зі значною (понад чверть) часткою віднов-
люваних джерел енергії. Детерміновані підходи в
таких системах вже не є достатніми. Ключовою
головною вимогою для інструментів прогнозу-
вання стає використання невизначеностей
(uncertainties), що походять із імовірнісних мето-
дів прогнозування і пропонують нові способи
обробки інформації.
Для вирішення проблеми прогнозування роз-
роблено багато методів, які можна розділити на
дві категорії. Перша − фізичні методи, які вико-
ристовують багато фізичних понять для досяг-
нення найкращої точності прогнозування. Друга
− це статистичні методи, такі як моделі авторег-
ресії інтегровані з рухомим середнім ARIMA
(Autoregressive integrated moving average), які
спрямовані на пошук взаємозв'язку даних вимі-
рюваної і прогнозованої потужності, зокрема в
режимі онлайн.
Фізичні моделі використовують фізичні по-
няття, такі як місцевість, перешкода, тиск і тем-
пература для оцінки майбутньої швидкості вітру.
Модель числових методів прогнозування погоди
NWP (Numerical weather prediction) розроблено
метеорологами для прогнозу погоди великомас-
штабного регіону. Вона не забезпечує точних ре-
зультатів при короткостроковому прогнозуванні і
використовує числові розв’язки рівнянь збере-
ження (щодо маси, імпульсу, енергії) для даної
місцевості; для представлення топографії вико-
ристовуються цифрові тривимірні моделі площа-
дки. Для врахування особливостей конкретної
площадки застосовується окрема методика (на-
приклад, програмний пакет WAsP. Для зменшен-
ня остаточної похибки може бути використана
модель вихідних статистик MOS (Model output
statistics), що виконує інтерпретацію числових
даних. Результати різних досліджень показують,
що середня похибка прогнозу становить 10-20%
від встановленої потужності ВЕС [4, 5].
Статистичні моделі в чистому вигляді на-
магаються знайти зв'язок між великою кількістю
змінних, включаючи результати NWP і історичні
масиви даних, та даними вимірюваної потужнос-
ті в мережі, зазвичай використовуючи рекурсивні
методи. Часто використовуються моделі так зва-
ної "чорної скриньки" з подальшою обробкою
штучними нейронними мережами ANN (Artificial
neural networks). Більш точні статистичні методи
фактично використовують модель "сірої скринь-
ки", де деякі вхідні властивості вітрової енергії
використовуються для налагодження моделей до
певної точності. Деякі статистичні моделі можуть
бути виражені аналітично, інші – ні. Так, авторе-
гресійна модель ARIMA має вигляд:
n
i
m
j
jtjtitit xx
1 1
, (1)
де φi – параметри авторегресії, θj – параметри ру-
хомого середнього, αt – нормальний білий шум, xt
– значення прогнозованої випадкової величини в
момент часу t.
Фізичний метод має переваги при довгостро-
ковому прогнозуванні, тоді як статистичний ме-
тод має переваги короткочасних (до кількох го-
дин) часових горизонтів [6].
Популярності набувають різні моделі штуч-
ного інтелекту, а саме моделі ANN, нечіткої ло-
гіки, направляючих векторів та ін. За останнє де-
сятиліття найбільшого поширення отримали ба-
гатошарові моделі ANN, що містять шари вхід-
них та вихідних даних та один чи більше прихо-
ваних прошарків, що містять множину нейронів.
Модель нечіткої логіки використовує вагові ве-
личини (величину участі) в діапазоні (0…1) та
невизначені змінні тобто типу "довгих", "серед-
ніх", "коротких". Вони використовуються, коли
точні величини визначити складно. Головною
перевагою моделей є їх здатність враховувати
практичні результати, тобто самонавчатися; до
недоліків відносять їх складність. Дослідження
показують переваги нейронних моделей порівня-
но з авторегресійними [7].
Модель просторової кореляції враховує спів-
відношення швидкості вітру на різних площад-
ках. Цей тип моделей більш трудомісткий, ніж тра-
диційні моделі, оскільки потребує обробки велико-
го обсягу даних. Похибки моделі при дослідженні
знаходилися в межах від 14% до 4,5%.
Загалом моделі можуть бути класифіковані як
ті, що використовують числову модель прогнозу
погоди та ті, що обходяться без неї. Чи доцільне
використання моделі NWP − залежить від часово-
ВІТРОЕНЕРГЕТИКА ISSN 1819-8058
Відновлювана енергетика. 2018. № 1 73
го горизонту. Як правило, моделі прогнозування,
що використовують прогнози NWP, перевершу-
ють інші підходи для горизонтів прогнозу, біль-
ших за 3-6 годин. Тому більшість програм, що ви-
користовуються на практиці, містять цей крок.
Можна виділити наступні типові ланки уза-
гальненої моделі прогнозування. Швидкість і на-
прямок вітру масштабуються до висоти осі рото-
ра вітротурбіни. Це передбачає декілька кроків:
спочатку знаходять найефективніший рівень
NWP. Результати моделі NWP можуть бути
отримані для географічних координат ВЕС або
для сітки оточуючих точок. У першому випадку
модель можна охарактеризувати як "більш до-
сконалі моделі кривої потужності", у другому −
як "статистичне зменшення" моделі. Наступним
кроком є так звана процедура зменшення масш-
табу. Зменшення масштабу дає швидкість і на-
прямок вітру для висоти осі ротора турбіни. Ці
дані потім перетворюються на криву потужності.
Деякі статистичні моделі пропускають цей крок і
безпосередньо прогнозують виробництво елект-
роенергії, але всі фізичні та деякі статистичні мо-
делі містять цей проміжний крок явно або, при-
наймні, неявно. Залежно від горизонту прогнозу
та наявності даних, вимірювані дані про потуж-
ність можуть використовуватися як додаткові. У
більшості випадків фактичні дані є корисними
для покращення залишкових помилок у підході
MOS. Якщо доступні історичні дані, то більш
точною є рекурсивна автокалібрувальна модель.
Якщо прогнозуватиметься лише одна ВЕС,
то типові ланки тут закінчуються. Оскільки за-
звичай споживачі хочуть отримати прогноз для
загальної площі, яку вони обслуговують, то
останній крок – це перехід від одиночного ре-
зультату до загального. Якщо б всі ВЕС в районі
мали свій прогноз, це передбачало б просте їх під-
сумовування. Однак, оскільки на практиці прогно-
зування для сотень вітрових установок надто тру-
домістке, деякі станції вибираються як вхідні для
алгоритму перетворення. При цьому додатковою
перевагою є те, що сумарна похибка розподіленої
системи вітрових станцій зменшується.
Особливості імовірнісного підходу. Тради-
ційно прогноз формулюється у вигляді певного
детермінованого значення, проте сучасні методи
прогнозування можуть забезпечити більше інфо-
рмації, і часто у вигляді прогнозованої невизна-
ченості (ймовірних варіацій прогнозованого зна-
чення). Поки що такі прогнози не отримали ши-
рокого застосування, але вони можуть забезпечи-
ти значні можливості для покращення економіч-
них результатів та надійності резервування в еле-
ктроенергетиці, використовуючи додаткове ін-
формаційне наповнення [8].
Найпоширеніше застосування прогнозів віт-
рової енергії відбувається при оперативному ви-
значенні необхідного резерву енергосистеми. Це
стосується процесів планування, коли виробни-
кам електроенергії призначається статус ввімк-
нення/вимкнення і рівень потужності на певний
період часу. Операторами енергосистеми зазви-
чай використовуються детерміновані прогнози
завдяки пошуку єдиного "оптимального" рішен-
ня. Перевагою детермінованого прогнозування є
менша трудомісткість [9]. Однак зростання част-
ки відновлюваної енергетики збільшує вимоги до
якості прогнозування, оскільки єдиних оцінок
стає недосить.
У методичних документах Всесвітньої ме-
теорологічної організації (ВМО) фактично ви-
словлюється про ігнорування невизначеності в
прогнозах [10]. ВМО стверджує, при наданні де-
термінованого прогнозу базова невизначеність
все ще існує, і тому потрібно обрати найкраще
припущення щодо ймовірного результату, неза-
лежно від потреб користувача і наслідків від його
рішень. Саме цей розрив у базовому розумінні
невизначеності притаманний сучасним підходам
до прогнозування, що призводить до неправиль-
них рішень серед кінцевих користувачів, які прак-
тично не мають досвіду базової метеорології.
Для прогнозування невизначеності кількісна
оцінка ускладнюється завдяки більш громіздким
структурам параметрів. Статистичні методи при
цьому використовуються для визначення таких
показників, як "надійність", "чіткість" та "розді-
лова здатність" [9]. Наразі для вирішення про-
блем невизначеності існує значний брак знань
про методи та програмні засоби.
Чому і де слід застосовувати саме прогнози
невизначеності? В метеорології це традиційно
стосується прийняття рішень, що стосуються
ВІТРОЕНЕРГЕТИКА ISSN 1819-8058
Відновлювана енергетика. 2018. № 1 74
безпеки людського життя (при попередженні на-
слідків стихійного лиха). В енергетиці це потреба
у нових підходах до енергетичної безпеки та еко-
номічності прийнятих рішень, нових вимогах до
інформаційного наповнення при управлінні ме-
режами, зокрема щодо збалансованості та забез-
печенні резервними потужностями. Є також спе-
цифічні вимоги ринку електроенергії, потреби в
моніторингу поточного стану та експлуатації ін-
фраструктурних об’єктів.
Зміна парадигми з детермінованої до стохас-
тичної в діловій практиці дуже повільна [8]. Ва-
жливим є розуміння джерела невизначеності в
процесі прогнозування; так, згідно з Всесвітньою
метеорологічною організацією (ВМО), основни-
ми джерелами невизначеності в прогнозах пого-
ди є: атмосферна непередбачуваність, невизначе-
ність у інтерпретації даних, похибки при скла-
данні прогнозу та інтерпретація результатів про-
гнозування.
Помилка прогнозу – це фактичне відхилення
прогнозованого значення від виміряного значен-
ня в той же момент часу (в минулому чи тепері-
шньому), тоді як прогнозована невизначеність
відноситься до можливого діапазону помилок
прогнозування у майбутньому. Для конкретного
часу очікування t+k з прогнозним часовим гори-
зонтом k інтервал прогнозу на момент часу t міс-
тить лише інформацію щодо границь розподілу з
певною імовірністю:
LHH
ktkt
L
kt PPPРrob }{ (2)
де τH та τL – квантилі номінальних інтервальних
обмежень; α – ймовірність знаходження шукано-
го значення потужності Pt+k всередині визначено-
го інтервалу в момент часу t+k.
При формуванні програми IEA "Прогнозу-
вання енергії вітру" (Wind Task 36) запропонова-
но такі визначення, як розсіювання похибки про-
гнозу (forecast error spread), довірчий інтервал
(confidence interval), невизначеність прогнозу
(forecast uncertainty), інтервал прогнозу (forecast
interval).
Розсіювання похибки прогнозу визначається
як фактично отримані відхилення прогнозу від
відповідного спостереження в певний час. Це та-
кож може означати середнє значення помилки,
розраховане за допомогою метрики помилок, на-
приклад СКВ – середньоквадратичне відхилення.
Можливий діапазон прогнозних значень в
метеорології відображає невизначеність розвитку
атмосферних процесів у майбутньому, та його
звичайно представляють як множину (ансамбль)
прогнозів, застосовуючи збурення до початкових
і граничних умов фізичної моделі. Інтервали про-
гнозу визначаються як діапазон невизначеності,
що відповідає вірогідності знаходження фактич-
них результатів в діапазоні прогнозованих зна-
чень. Інтервали прогнозу можна отримати пара-
метричними методами (наприклад, Гаусів розпо-
діл), непараметричними (наприклад, емпіричні
функції розподілу, оцінка щільності імовірності),
або з ансамблю прогнозів щодо цільової змінної.
Так, в моделі ARIMA (1) розкид значень прогно-
зу визначається амплітудою випадкової складо-
вої (білого шуму). З функцій щільності розподілу
ймовірностей PDF (Probability density function)
можна отримати квантилі, як у формулі (2), та
моменти вищого порядку.
Потужність вітрової електроустановки можна
вважати стохастичною змінною, та представляти її
як імовірнісну функцію. Її властивості можуть бути
представлені квантилями, моментами розподілу
(наприклад, середнє значення та дисперсія) або по-
вною PDF, з якої можуть бути отримані потрібні
параметри. Досить поширеним способом візуаліза-
ції є сукупність сценаріїв процесу (рис.1).
ВІТРОЕНЕРГЕТИКА ISSN 1819-8058
Відновлювана енергетика. 2018. № 1 75
Рис. 1. Візуалізація прикладу представлення інтервалів прогнозу ВЕС [3].
Fig. 1. Visualization of an example of representing forecast intervals.
Застосування невизначеності прогнозу в ене-
ргетиці базується на трьох основних процедурах:
статистичні методи імовірнісних прогнозів; ан-
самблі сценаріїв на основі статистичних даних;
ансамблі прогнозу на основі фізичних принципів.
Перший тип "Статистичних методів імовір-
нісних прогнозів" (Statistical methods of
probabilistic forecasts) засновано на статистичній
обробці минулих (історичних) даних для отри-
мання функції щільності розподілу імовірності
(PDF) щодо можливого розсіювання прогнозів.
Перевага таких методів – вони дешеві і прості у
застосуванні. Недолік неможливо отримати реа-
лістичне представлення невизначеності у просто-
ровому та часовому вимірі. Також нема фізичної
залежності для наступних результатів, оскільки
оцінки базуються на минулій кліматології. Як
правило, використовуються статистичні алгори-
тми навчання (наприклад, нейронні мережі) для
врахування історії погодних параметрів у формі
часових рядів, отриманих з моделей фізичних
моделей прогнозу погоди NWP, що застосову-
ються у метеорології, та відповідних даних про
генерацію електроенергії. Новий, більш доскона-
лий метод аналогового ансамблю, який виконує
пошук історичних аналогій для минулих подій,
подібних до поточного прогнозу. Поки що метод
є одномірним, а значить не враховує географіч-
них або часових аспектів невизначеності.
Другий тип методів "Ансамблів статистич-
них сценаріїв" (Statistically-based ensemble
scenarios) продукує статистичні сценарії, які є
результатом генерації сценаріїв з ймовірністю
розподілу, отриманою із статистичних моделей.
Це незалежні сценарії, на відміну від статистич-
ного методу, базованого на функції PDF. Такі
сценарії подібні до третього типу методів − фізи-
чних ансамблів. Однак представлення невизначе-
ності з статистичних сценаріїв враховують лише
просторову мінливість прогнозу, оскільки вва-
жаються сценаріями, а не ансамблями. Відхилен-
ня, що вказують на екстремальні події, напри-
клад, перевищення допустимої для вітрових тур-
бін швидкості вітру, можуть бути виявлені лише
з певною ймовірністю.
Третій тип методології, "Фізично обгрунто-
вані ансамблі" (Physically based ensemble
forecasts) можна вважати пост-обробкою множи-
ни прогнозів NWP, які отримані шляхом збурен-
ня початкових або граничних умов і моделей фі-
зичних збурень, як результат різних схем параме-
тризації однієї моделі NWP ("мульти-схема") або
різних моделей NWP ("мультимодель"), з перера-
хунком в синхронні значення потужності ВЕС.
Метод орієнтується на оцінку фізичної невизна-
ченості погоди в майбутньому, крім того не лише
минулого досвіду. На практиці це означає, що
NWP ансамблі, особливо багатосхемний та бага-
тосистемний підхід, враховують випадкові вики-
ди, а також можуть моделювати події, що трап-
ляються хоч за 50 років. Це чітка відмінність від
статистичних методів, тому що навіть довгі часо-
ВІТРОЕНЕРГЕТИКА ISSN 1819-8058
Відновлювана енергетика. 2018. № 1 76
ві ряди історичних даних містять занадто мало
екстремальних подій, які матимуть вплив в алго-
ритмах навчання.
Деякі з найпоширеніших сьогодні застосу-
вань прогнозу невизначеності в енергетиці: 1)
балансування потужності або торгівля вітро-
вою/сонячною енергією; 2) встановлення ймовір-
нісних вимог до резерву потужності; 3) інформа-
ційне забезпечення для розуміння ситуації; 4)
гнучке управління в інтелектуальних мережах; 5)
швидкісна система оповіщення про вимкнення.
Для того, щоб забезпечити імовірнісні про-
гнози потужності ВЕС, потрібно врахувати ряд
аспектів, особливо вирішальне значення має пра-
вильна математична вибірка з похибок прогнозів
для репрезентативності результуючої невизначе-
ності. У будь-якому випадку для кінцевих корис-
тувачів важливо зрозуміти, які методи можуть
бути використані або можуть містити обмеження,
не придатні за визначенням, і детально описати
вимоги до їх застосування.
Висновки. На даний момент вже існує до-
сить багато методів прогнозування швидкості
вітру та вихідної потужності ВЕС, які застосову-
ються на практиці. Зазвичай це гібридні моделі,
які поєднують фізичні моделі прогнозування і
використовують їх результати як вхідні дані для
статистичної моделі. Все більше уваги приділя-
ється методам оцінки випадкової природи вітро-
вої енергії та застосування імовірнісних підходів
до організації роботи енергосистем з відновлю-
ваними джерелами енергії. Набувають застосу-
вання методи штучного інтелекту, зокрема ней-
ронних мереж та машинного навчання, які здатні
істотно підвищувати точність прогнозування і
самі по собі швидко розвиваються через викори-
стання в різноманітних сферах, не пов’язаних з
енергетикою. З огляду на порівняно велику част-
ку ВЕС в загальній електромережі України, яка
кожного року зростає, актуальною задачею є
створення програмного забезпечення для коротко
і довготривалого прогнозування виробітку вітро-
вих станцій на основі найбільш точних методів.
1. Global Wind Energy Insight: A 2017 Mid-Year Update.
Electronic resource: renewableenergyworld.com/ugc/articles.
2. Теоретичні та прикладні основи економічного, еко-
логічного та технологічного функціонування об’єктів енер-
гетики / [В.О. Артемчук та ін.; за ред. А.О. Запорожця, Т.Р.
Білан]. – Київ, 2017. – 312 с.
3. MöhrlenC. atal. Uncertainty Forecasting Practices for
the Next Generation Power System. Wind Integration Workshop,
Berlin (DE), 26-29 June 2017.
4.Кузнєцов М.П.Методи прогнозування виробітку елек-
троенергії вітровими електростанціями // Київ: Відновлюва-
на енергетика. – 2010. – № 3. – С.42-48.
5. Sanchez I. Short-term prediction of wind energy produc-
tion. International Journal of Forecasting, 22. – 2006, p.43– 56.
6.Ma Lei at al. A review on the forecasting of wind speed
and generated power // Department of Electrical Engineering,
Shanghai Jiaotong University, 2008.
7. GregorGiebel. The State-Of-The-Art in Short-Term Pre-
diction of Wind Power A Literature Overview // Risø National
Laboratory, 2016.
8. Ricardo J. Bessa at al. Towards Improved Understand-
ing of the Applicability of Uncertainty Forecasts in the Electric
Power Industry // Energies 2017, 10(9), 1402. Electronic re-
source: www.mdpi.com/journal/energies.
9. Möhrlen C. Applications and Value of Uncertainty Fore-
casts. UVIG Forecasting Workshop, Atlanta (US), 21-22 June 2017.
10. Gill J.at al. Guidelines on communicating forecast un-
certainty. World Meteorological Organization, Tech. Rep.
WMO/TDNo. 4122, 2008.
ВЕРОЯТНОСТНЫЕ МЕТОДЫ ПРОГНОЗИРОВАНИЕ
ТЕКУЩЕЙ МОЩНОСТИ ВЕТРОЭЛЕКТРИЧЕСКИХ
СТАНЦИЙ
С.О.Ужейко, аспирант
Институт возобновляемой энергетики НАН Украины, 02094,
г.. Киев, ул. Гната Хоткевича, 20А,
Тел. / факс + 38-044-206-28-09, e-mail: renewable@ukr.net
В последние годы в мире увеличивается суммарная мощ-
ность ветровых электрических станций, подключенных к
распределительным сетям в качестве распределенных гене-
раторов энергии. При росте доли ветровой энергетики все
более значимым становится их влияние на работу энерго-
системы вследствие изменчивого характера энергии ветра.
Краткосрочное прогнозирование графиков работы ВЭС
должон учитывать случайную природу ветра как энергоно-
сителя и обеспечивать надежность прогноза. Поэтому все
большую актуальность приобретают вероятностные ме-
тоды прогнозирования мощности ветровых станций, ко-
торые были рассмотрены в данной статье. Библ. 10, рис. 1.
Ключевые слова: энергосистема, ветроэлектрическ стан-
ции, методы прогнозирования, скорость ветра.
REFERENCES
1. Global Wind Energy Insight: A 2017 Mid-Year Update.
Electronic resource: renewableenergyworld.com/ugc/articles.
2. Theoretical and applied bases of economic, ecological
and technological functioning of energy objects / [V.О. Artem-
chuk et al.; for ed. A.O.Zaporozhets, T.R. Bilan - Kyiv, 2017. -
312 p. (Ukr.)
ВІТРОЕНЕРГЕТИКА ISSN 1819-8058
Відновлювана енергетика. 2018. № 1 77
3. MöhrlenC. atal. Uncertainty Forecasting Practices for
the Next Generation Power System. Wind Integration Workshop,
Berlin (DE), 26-29 June 2017.
4. Kuznietsov M. Methods of wind farms electricity
forecasting // Kyiv: Vidnovluvana energetіka. – 2010, №.3. –
P.42-48. (Ukr.)
5. Sanchez I. Short-term prediction of wind energy produc-
tion. International Journal of Forecasting, 22. – 2006, p.43– 56.
6.Ma Lei at al. A review on the forecasting of wind speed
and generated power // Department of Electrical Engineering,
Shanghai Jiaotong University, 2008.
7. GregorGiebel. The State-Of-The-Art in Short-Term Pre-
diction of Wind Power A Literature Overview // Risø National
Laboratory, 2016.
8. Ricardo J. Bessa at al. Towards Improved Understand-
ing of the Applicability of Uncertainty Forecasts in the Electric
Power Industry // Energies 2017, 10(9), 1402. Electronic re-
source: www.mdpi.com/journal/energies.
9. Möhrlen C. Applications and Value of Uncertainty Fore-
casts. UVIG Forecasting Workshop, Atlanta (US), 21-22 June 2017.
10. Gill J.at al. Guidelines on communicating forecast un-
certainty. World Meteorological Organization, Tech. Rep.
WMO/TD No. 4122, 2008.
ABSTRACT
The share of wind energy in total electricity consumption is
increasing, which causes a significant uncontrolled impact on the
energy system. This makes the problems for the traditional
power plants planning and distribution grids stability, so as elec-
tricity market procedures. One of the ways to solve the problem
is to improve the wind power short-term forecasting, usually
within two days time horizon. To obtain reliable forecasts, many
methods have been developed that can be divided into two cate-
gories – physical methods that use many physical concepts to
achieve the best prediction accuracy, and statistical methods
trying to find links between a large number of variables, includ-
ing the results of physical predictions and historical data arrays.
Different models of artificial intelligence and spatial correlations
are gaining popularity. Typical step of the generalized forecast-
ing model includes scaling the wind speed to the height of the
wind turbine rotor axis. This data is then transferred to the gen-
erated power.
Traditionally, the forecast is formulated in the form of a
certain deterministic power value. The advantage of such predic-
tion is less complexity. However, the increase in the renewable
energy share leads to the new requirements for predictive qual-
ity, and the elementary assessment becomes inadequate. The
paradigm shift in favor of probabilistic forecasts is expected.
Modern forecasting methods can provide more information, and
often in the form of uncertainty forecasts. Statistical methods are
used to determine such indicators as “reliability”, “sharpness”
and “resolution”. The main sources of uncertainty in meteorol-
ogy are atmospheric unpredictability, uncertainty of data inter-
pretation, errors in the forecast composing and the forecast inter-
pretation. Forecast uncertainty for application in the power in-
dustry contains next procedures: statistical methods of probabil-
istic forecasts, statistically-based ensemble scenarios, physically
based ensemble forecasts.
The choice of prediction methods and the list of calculated
results depends on the needs of end-users. It is important to deter-
mine which methods are acceptable or may contain restrictions.
This is provided by studying the forecasting methodology and the
growing requirements for the reliability of electricity supply.
РЕФЕРАТ
Частка вітрової енергетики в загальному споживанні
електроенергії зростає, що викликає значний неконтрольо-
ваний вплив на енергетичну систему. Це створює проблеми
для планування роботи традиційних електростанцій та роз-
подільчих електромереж, ринкових процедур з продажу
електроенергії. Одним з шляхів усунення проблеми є запро-
вадження короткострокового прогнозування роботи вітро-
електричних станцій,звичайно в межах двох діб. Для отри-
мання достовірних прогнозів розроблено багато методів, які
можна розділити на дві категорії − фізичні методи, які вико-
ристовують багато фізичних понять для досягнення найкра-
щої точності прогнозування, та статистичні методи, щона-
магаються знайти зв'язок між великою кількістю змінних,
включаючи результати фізичних прогнозів і історичні маси-
ви даних. Популярності набувають різні моделі штучного
інтелекту, просторової кореляції. Типові ланки узагальненої
моделі прогнозування включаютьмасштабування швидкості
вітру до висоти осі ротора вітроустановок. Ці дані потім
перераховуються в генеровану потужність.
Традиційно прогноз формулюється у вигляді певного
детермінованого значення потужності, Перевагою такого
прогнозування є менша трудомісткість. Однак зростання
частки відновлюваної енергетики збільшує вимоги до якості
прогнозування, і елементарної оцінки стає недосить. Очіку-
ється зміна парадигми на користь імовірнісних прогнозів.
Сучасні методи прогнозування можуть забезпечити більше
інформації, і часто у вигляді прогнозованої невизначеності.
Статистичні методи при цьому використовуються для ви-
значення таких показників, як "надійність", "чіткість", "роз-
ділова здатність" . Основними джерелами невизначеності в
метеорології є атмосферна непередбачуваність, невизначе-
ність у інтерпретації даних, похибки при складанні прогнозу
та інтерпретація результатів прогнозування. Застосування
невизначеності прогнозу в енергетиці базується на трьох
основних процедурах:статистичних методах імовірнісних
прогнозів; застосуванню ансамблів прогнозованих сценаріїв
на основі статистичних даних; застосуванні ансамблів про-
гнозу на основі фізичних принципів.
Вибір методів прогнозування та переліку розрахунко-
вих результатів залежать від потреб споживачів, При цьому
важливо визначити, які методи є прийнятними або можуть
містити обмеження. Це забезпечується вивченням методоло-
гії прогнозування та зростаючого рівня вимог до надійності
забезпечення електроенергією.
Стаття надійшла до редакції 07.02.2018
Остаточна версія 21.03.2018
|
| id | veorgua-article-12 |
| institution | Vidnovluvana energetika |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-07-19T01:01:11Z |
| publishDate | 2018 |
| publisher | Institute of Renewable Energy National Academy of Sciences of Ukraine |
| record_format | ojs |
| resource_txt_mv | veorgua/59/11ef73b4fb1c19d115744ab342dff259.pdf |
| spelling | veorgua-article-122026-07-18T06:32:06Z PROBABILISTIC FORECASTING METHODS FOR WIND PLANTS CURRENT POWER ВЕРОЯТНОСТНЫЕ МЕТОДЫ ПРОГНОЗИРОВАНИЕ ТЕКУЩЕЙ МОЩНОСТИ ВЕТРОЭЛЕКТРИЧЕСКИХ СТАНЦИЙ ІМОВІРНІСНІ МЕТОДИ ПРОГНОЗУВАННЯ ПОТОЧНОЇ ПОТУЖНОСТІ ВІТРОЕЛЕКТРИЧНИХ СТАНЦІЙ Uzheyko, S. power grid wind plants forecasting methods wind speed енергосистема вітроелектричні станції методи прогнозування швидкість вітру энергосистема ветроэлектрические станции методы прогнозирования скорость ветра   The share of wind energy in total electricity consumption is increasing, which causes a significant uncontrolled impact on the energy system. This makes the problems for the traditional power plants planning and distribution grids stability, so as electricity market procedures. One of the ways to solve the problem is to improve the wind power short-term forecasting, usually within two days time horizon. To obtain reliable forecasts, many methods have been developed that can be divided into two categories – physical methods that use many physical concepts to achieve the best prediction accuracy, and statistical methods trying to find links between a large number of variables, including the results of physical predictions and historical data arrays. Different models of artificial intelligence and spatial correlations are gaining popularity. A typical step of the generalized forecasting model includes scaling the wind speed to the height of the wind turbine rotor axis. This data is then transferred to the generated power. Traditionally, the forecast is formulated in the form of a certain deterministic power value. The advantage of such prediction is less complexity. However, the increase in the renewable energy share leads to the new requirements for predictive quality, and the elementary assessment becomes inadequate. The paradigm shift in favor of probabilistic forecasts is expected. Modern forecasting methods can provide more information, and often in the form of uncertainty forecasts. Statistical methods are used to determine such indicators as “reliability”, “sharpness” and “resolution”. The main sources of uncertainty in meteorology are atmospheric unpredictability, an uncertainty of data interpretation, errors in the forecast composing and the forecast interpretation. Forecast uncertainty for application in the power industry contains next procedures: statistical methods of probabilistic forecasts, statistically-based ensemble scenarios, physically based ensemble forecasts. The choice of prediction methods and the list of calculated results depends on the needs of end-users. It is important to determine which methods are acceptable or may contain restrictions. This is provided by studying the forecasting methodology and the growing requirements for the reliability of electricity supply. The share of wind energy in total electricity consumption is increasing, which causes a significant uncontrolled impact on the energy system. This makes the problems for the traditional power plants planning and distribution grids stability, so as electricity market procedures. One of the ways to solve the problem is to improve the wind power short-term forecasting, usually within two days time horizon. To obtain reliable forecasts, many methods have been developed that can be divided into two categories – physical methods that use many physical concepts to achieve the best prediction accuracy, and statistical methods trying to find links between a large number of variables, including the results of physical predictions and historical data arrays. Different models of artificial intelligence and spatial correlations are gaining popularity. A typical step of the generalized forecasting model includes scaling the wind speed to the height of the wind turbine rotor axis. This data is then transferred to the generated power. Traditionally, the forecast is formulated in the form of a certain deterministic power value. The advantage of such prediction is less complexity. However, the increase in the renewable energy share leads to the new requirements for predictive quality, and the elementary assessment becomes inadequate. The paradigm shift in favor of probabilistic forecasts is expected. Modern forecasting methods can provide more information, and often in the form of uncertainty forecasts. Statistical methods are used to determine such indicators as “reliability”, “sharpness” and “resolution”. The main sources of uncertainty in meteorology are atmospheric unpredictability, an uncertainty of data interpretation, errors in the forecast composing and the forecast interpretation. Forecast uncertainty for application in the power industry contains next procedures: statistical methods of probabilistic forecasts, statistically-based ensemble scenarios, physically based ensemble forecasts. The choice of prediction methods and the list of calculated results depends on the needs of end-users. It is important to determine which methods are acceptable or may contain restrictions. This is provided by studying the forecasting methodology and the growing requirements for the reliability of electricity supply. Частка вітрової енергетики в загальному споживанні електроенергії зростає, що викликає значний неконтрольований вплив на енергетичну систему. Це створює проблеми для планування роботи традиційних електростанцій та розподільчих електромереж, ринкових процедур з продажу електроенергії. Одним з шляхів усунення проблеми є запровадження короткострокового прогнозування роботи вітроелектричних станцій,звичайно в межах двох діб. Для отримання достовірних прогнозів розроблено багато методів, які можна розділити на дві категорії − фізичні методи, які використовують багато фізичних понять для досягнення найкращої точності прогнозування, та статистичні методи, щонамагаються знайти зв'язок між великою кількістю змінних, включаючи результати фізичних прогнозів і історичні масиви даних. Популярності набувають різні моделі штучного інтелекту, просторової кореляції. Типові ланки узагальненої моделі прогнозування включаютьмасштабування швидкості вітру до висоти осі ротора вітроустановок. Ці дані потім перераховуються в генеровану потужність. Традиційно прогноз формулюється у вигляді певного детермінованого значення потужності, Перевагою такого прогнозування є менша трудомісткість. Однак зростання частки відновлюваної енергетики збільшує вимоги до якості прогнозування, і елементарної оцінки стає недосить. Очікується зміна парадигми на користь імовірнісних прогнозів. Сучасні методи прогнозування можуть забезпечити більше інформації, і часто у вигляді прогнозованої невизначеності. Статистичні методи при цьому використовуються для визначення таких показників, як "надійність", "чіткість", "розділова здатність" . Основними джерелами невизначеності в метеорології є атмосферна непередбачуваність, невизначеність у інтерпретації даних, похибки при складанні прогнозу та інтерпретація результатів прогнозування. Застосування невизначеності прогнозу в енергетиці базується на трьох основних процедурах:статистичних методах імовірнісних прогнозів; застосуванню ансамблів прогнозованих сценаріїв на основі статистичних даних; застосуванні ансамблів прогнозу на основі фізичних принципів. Вибір методів прогнозування та переліку розрахункових результатів залежать від потреб споживачів, При цьому важливо визначити, які методи є прийнятними або можуть містити обмеження. Це забезпечується вивченням методології прогнозування та зростаючого рівня вимог до надійності забезпечення електроенергією. Institute of Renewable Energy National Academy of Sciences of Ukraine 2018-04-30 Article Article application/pdf https://ve.org.ua/index.php/journal/article/view/12 Vidnovluvana energetika ; No. 1 (52) (2018): Scientific and Applied Journal Vidnovluvana energetika; 70-77 Возобновляемая энергетика; ##issue.no## 1 (52) (2018): Научно-прикладной журнал Возобновляемая энергетика; 70-77 Відновлювана енергетика; № 1 (52) (2018): Науково-прикладний журнал Відновлювана енергетика; 70-77 2664-8172 1819-8058 uk https://ve.org.ua/index.php/journal/article/view/12/7 Copyright (c) 2018 S. Uzheyko https://creativecommons.org/licenses/by-nc-nd/4.0 |
| spellingShingle | power grid wind plants forecasting methods wind speed Uzheyko, S. PROBABILISTIC FORECASTING METHODS FOR WIND PLANTS CURRENT POWER |
| title | PROBABILISTIC FORECASTING METHODS FOR WIND PLANTS CURRENT POWER |
| title_alt | ВЕРОЯТНОСТНЫЕ МЕТОДЫ ПРОГНОЗИРОВАНИЕ ТЕКУЩЕЙ МОЩНОСТИ ВЕТРОЭЛЕКТРИЧЕСКИХ СТАНЦИЙ ІМОВІРНІСНІ МЕТОДИ ПРОГНОЗУВАННЯ ПОТОЧНОЇ ПОТУЖНОСТІ ВІТРОЕЛЕКТРИЧНИХ СТАНЦІЙ |
| title_full | PROBABILISTIC FORECASTING METHODS FOR WIND PLANTS CURRENT POWER |
| title_fullStr | PROBABILISTIC FORECASTING METHODS FOR WIND PLANTS CURRENT POWER |
| title_full_unstemmed | PROBABILISTIC FORECASTING METHODS FOR WIND PLANTS CURRENT POWER |
| title_short | PROBABILISTIC FORECASTING METHODS FOR WIND PLANTS CURRENT POWER |
| title_sort | probabilistic forecasting methods for wind plants current power |
| topic | power grid wind plants forecasting methods wind speed |
| topic_facet | power grid wind plants forecasting methods wind speed енергосистема вітроелектричні станції методи прогнозування швидкість вітру энергосистема ветроэлектрические станции методы прогнозирования скорость ветра |
| url | https://ve.org.ua/index.php/journal/article/view/12 |
| work_keys_str_mv | AT uzheykos probabilisticforecastingmethodsforwindplantscurrentpower AT uzheykos veroâtnostnyemetodyprognozirovanietekuŝejmoŝnostivetroélektričeskihstancij AT uzheykos ímovírnísnímetodiprognozuvannâpotočnoípotužnostívítroelektričnihstancíj |