Nghiên cứu so sánh các phương pháp dự báo năng lượng gió
##plugins.themes.academic_pro.article.main##
Author
-
Nguyễn Văn NinhTrường Đại học Quy NhơnNguyễn Hữu ĐịnhTrường Đại học Quy NhơnLê Tuấn HộTrường Đại học Quy Nhơn
Từ khóa:
Dự báo năng lượng gió
Mô hình ARIMA
Phương pháp làm mịn lũy thừa
Mạng nơ ron
Phương pháp phương sai – hiệp phương sai
Tóm tắt
Nâng cao độ chính xác của các phương pháp dự báo năng lượng gió được xem là giải pháp chính để giải quyết vấn đề vận hành khi tích hợp chúng vào hệ thống điện. Do đó, mục tiêu của bài báo là nghiên cứu so sánh các phương pháp đã có với các phương pháp kết hợp đề xuất dùng cho dự báo năng lượng gió. Trước tiên, mô hình ARIMA và phương pháp làm mịn lũy thừa (EXP) được sử dụng để dự báo năng lượng gió dạng chuỗi thời gian. Thứ hai, mô hình mạng nơ ron được huấn luyện để dự đoán công suất gió phát ra. Hai phương pháp dự báo năng lượng gió kết hợp (mô hình ARIMA + mạng nơ ron, phương pháp EXP + mạng nơ ron) được đề xuất dựa trên phương pháp phương sai-hiệp phương sai. Cuối cùng, ba trường hợp nghiên cứu các nông trại gió của Bỉ được sử dụng để minh họa hiệu quả của các phương pháp dự báo. Bài báo đã tìm ra phương pháp dự báo tốt nhất trong các trường hợp nghiên cứu theo các tiêu chí MAE, WAPE và RMSE.
Tài liệu tham khảo
-
[1] Global Wind Report 2021”, https://gwec.net/global-wind-report-2021/, accessed 18th September 2021.
[2] Tung D. D., Le T. H., “A statistical analysis of short-term wind power forecasting error distribution”, International Journal of Applied Engineering Research, vol. 12(10), 2017, pp. 2306-2311.
[3] Hodge B. M., Zeiler A., Brooks D., Blau G., Pekny J., Reklatis G., “Improved wind power forecasting with ARIMA models”, Computer Aided Chemical Engineering. Vol. 29. Elsevier, 2011, pp. 1789-1793.
[4] Chen P., Pedersen T., Bak-Jensen B., Chen Z., “ARIMA-based time series model of stochastic wind power generation”, IEEE transactions on power systems, vol. 25(2), 2009, pp. 667-676.
[5] Kavasseri R. G., Seetharaman K., “Day-ahead wind speed forecasting using f-ARIMA models”, Renewable Energy, vol. 34(5), 2009, pp. 1388-1393.
[6] Jónsson T., Pinson, P., Nielsen H. A., Madsen H., “Exponential smoothing approaches for prediction in real-time electricity markets”, Energies, vol. 7(6), 2014, pp. 3710-3732.
[7] Kusiak A., Zhang Z., “Short-horizon prediction of wind power: A data-driven approach”, IEEE Transactions on Energy Conversion, vol. 25(4), 2010, pp. 1112-1122.
[8] Zhu X., Genton M. G., "Short‐term wind speed forecasting for power system operations”, International Statistical Review, vol. 80(1), 2012, pp. 2-23.
[9] Dumitru C. D., Gligor A., "Daily average wind energy forecasting using artificial neural networks”, Procedia Engineering, vol. 181, 2017, pp. 829-836.
[10] Peiris A. T., Jayasinghe J., Rathnayake U., "Forecasting Wind Power Generation Using Artificial Neural Network:“Pawan Danawi”—A Case Study from Sri Lanka”, Journal of Electrical and Computer Engineering, 2021.
[11] Liu Y., Zhang H., "An empirical study on machine learning models for wind power predictions”, In 2016 15th IEEE International Conference on Machine Learning and Applications (ICMLA), December 2016, pp. 758-763.
[12] Ranganayaki V., Deepa S. N., "An intelligent ensemble neural network model for wind speed prediction in renewable energy systems”, The Scientific World Journal, 2016.
[13] Sapronova A., Meissner C., Mana M., "Short time ahead wind power production forecast”, Journal of Physics: Conference Series, vol. 749(1), 2016, 012006.
[14] Liu, F., Li, R., Li, Y., Cao, Y., Panasetsky, D., Sidorov, D., “Short-term wind power forecasting based on TS fuzzy model”, In 2016 IEEE PES Asia-Pacific Power and Energy Engineering Conference (APPEEC), October 2016, pp. 414-418.
[15] Akhtar I., Kirmani, S. Ahmad M., Ahmad S., “Average Monthly Wind Power Forecasting Using Fuzzy Approach”, IEEE Access, vol. 9, 2021, pp. 30426-30440.
[16] Liu, F., Li, R., Li, Y., Cao, Y., Panasetsky, D., Sidorov, D., “Short-term wind power forecasting based on TS fuzzy model”, In 2016 IEEE PES Asia-Pacific Power and Energy Engineering Conference (APPEEC), 2016, pp. 414-418.
[17] Zeng J., Qiao W., "Support vector machine-based short-term wind power forecasting”, In 2011 IEEE/PES Power Systems Conference and Exposition, March 2011, pp. 1-8.
[18] Wang J., Sun J., Zhang H., "Short-term wind power forecasting based on support vector machine”, In 2013 5th International Conference on Power Electronics Systems and Applications (PESA), December 2013, pp. 1-5.
[19] Li L. L., Zhao X., Tseng M. L., Tan R. R., "Short-term wind power forecasting based on support vector machine with improved dragonfly algorithm”, Journal of Cleaner Production, vol. 242, 2020, pp. 118447.
[20] Yuan X., Tan Q., Lei X., Yuan Y., Wu X., "Wind power prediction using hybrid autoregressive fractionally integrated moving average and least square support vector machine”, Energy, vol. 129, 2017, pp. 122-137.
[21] Lau A., McSharry P., "Approaches for multi-step density forecasts with application to aggregated wind power”, The Annals of Applied Statistics, vol. 4(3), 2010, pp. 1311-1341.
[22] Hwang M. Y., Jin C. H., Lee Y. K., Kim K. D., Shin J. H., Ryu K. H., "Prediction of wind power generation and power ramp rate with time series analysis”, In 2011 3rd International Conference on Awareness Science and Technology (iCAST), September 2011, pp. 512-515.
[23] Reddy V., Verma S. M., Verma K., Kumar R., "Hybrid approach for short term wind power forecasting”, In 2018 9th International Conference on Computing, Communication and Networking Technologies (ICCCNT), July 2018, pp. 1-5.
[24] Jiang Y., Xingying C. H. E. N., Kun Y. U., Yingchen L. I. A. O., "Short-term wind power forecasting using hybrid method based on enhanced boosting algorithm”, Journal of Modern Power Systems and Clean Energy, vol. 5(1), 2017, pp. 126-133.
[25] Ulkat D., Günay M. E., “Prediction of mean monthly wind speed and optimization of wind power by artificial neural networks using geographical and atmospheric variables: case of Aegean Region of Turkey”, Neural Computing and Applications, vol. 30 (10), 2018, pp. 3037-3048.
[26] Liu C., Zhang X., Mei S., Zhen Z., Jia M., Li Z., Tang H., "Numerical weather prediction enhanced wind power forecasting: Rank ensemble and probabilistic fluctuation awareness”. Applied Energy, vol. 313, 2022, 118769.
[27] Le T. H., "A combined method for wind power generation forecasting”, Archives of Electrical Engineering, vol. 70(4), 2021, pp. 991-1009.
[28] Box G. E. P., Jenkins G. M., Time Series Analysis: Forecasting and Control, Halden-Day, San Francisco,
[29] Brown R. G., Statistical forecasting for inventory control, McGraw/Hill, 1959.
[30] McKenzie, E., Gardner Jr, E. S., “Damped trend exponential smoothing: a modelling viewpoint”, International Journal of Forecasting, vol. 26(4), 2010, pp. 661-665.
[31] “Wind power generation”, https://www.elia.be/, accessed 18th September 2021.
Xem thêm
Ẩn bớt
##plugins.themes.academic_pro.article.sidebar##
Đã Xuất bản
May 31, 2022
Download
Cách trích dẫn
Nguyễn Văn Ninh, Nguyễn Hữu Định, và Lê Tuấn Hộ. “Nghiên cứu so sánh các phương pháp dự báo năng lượng Gió”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 20, số p.h 5, Tháng Năm 2022, tr 43-49, https://jst-ud.vn/jst-ud/article/view/7710.
