Войти
A Прогноз энергии ветра соответствует оценке ожидаемого производства одной или нескольких ветряных турбин (именуемая ветряной электростанцией ) в ближайшем будущем. Под производством часто понимается доступная мощность рассматриваемой ветряной электростанции (с указанием единиц кВт или МВт в зависимости от номинальной мощности ветряной электростанции). Прогнозы также могут быть выражены в единицах энергии путем интегрирования производства электроэнергии за каждый временной интервал.
Прогнозирование производства ветровой энергии может рассматриваться в различных временных масштабах, в зависимости от предполагаемого применения. Прогнозы от миллисекунд до нескольких минут могут использоваться для активного управления турбиной. Такие прогнозы обычно называют очень краткосрочными. Прогнозы на следующие 48–72 часа необходимы для управления энергосистемой или торговли энергией. Они могут служить для принятия решения об использовании обычных электростанций () и для оптимизации графика работы этих электростанций (Экономическая диспетчеризация ). Заявки на поставку энергии в день обычно требуются утром предыдущего дня. Эти прогнозы называются краткосрочными прогнозами. В более длительных временных масштабах (до 5-7 дней вперед) прогнозы могут быть рассмотрены при планировании технического обслуживания ветряных электростанций, традиционных электростанций или линий электропередачи. 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 энергии ветра находится в диапазоне от 10 минут до нескольких часов (в зависимости от продолжительности прогноза). Улучшения в прогнозировании ветроэнергетики были сосредоточены на использовании большего количества данных в качестве входных данных для задействованных моделей и на предоставлении оценок неопределенности наряду с традиционно предоставляемыми прогнозами.
В электросети в любой момент должен поддерживаться баланс между потреблением и производством электроэнергии - в противном случае могут возникнуть нарушения качества электроэнергии или поставок. Генерация ветра напрямую зависит от скорости ветра и, в отличие от традиционных систем генерации, не может быть легко диспетчеризована. Поэтому колебаниям ветровой генерации уделяется большое внимание. Изменчивость ветровой генерации можно рассматривать в различных временных масштабах. Во-первых, производство энергии ветра подвержено сезонным колебаниям, то есть оно может быть выше зимой в Северной Европе из-за метеорологических систем низкого давления или может быть выше летом в регионах Средиземноморья из-за сильных летних бризов. Существуют также суточные циклы, которые могут быть значительными, в основном из-за ежедневных изменений температуры. Наконец, колебания наблюдаются в очень краткосрочном масштабе (в минутном или внутриминутном масштабе). Для этих трех разных временных шкал изменения не одного порядка. Управление изменчивостью ветровой генерации является ключевым аспектом, связанным с оптимальной интеграцией этой возобновляемой энергии в электрические сети.
Проблемы, с которыми приходится сталкиваться, когда ветровая генерация вводится в энергосистему, зависят от доли этой возобновляемой энергии. Это базовая концепция, проникновение ветра, которая позволяет описать долю ветровой генерации в структуре электроэнергии данной энергосистемы. Для Дании, которая является страной с одной из самых высоких долей энергии ветра в структуре электроэнергетики, средний уровень проникновения энергии ветра в течение года составляет 16–20% (это означает, что 16–20% потребления электроэнергии приходится на энергию ветра.), в то время как мгновенное проникновение (то есть мгновенное производство энергии ветра по сравнению с потреблением, которое должно быть удовлетворено в данный момент времени) может быть выше 100%.
оператор системы передачи ( TSO) отвечает за управление балансом электроэнергии в сети: в любое время производство электроэнергии должно соответствовать потреблению. Поэтому использование средств производства планируется заранее, чтобы реагировать на профили нагрузки. Нагрузка соответствует общему потреблению электроэнергии по интересующей территории. Профили нагрузки обычно даются прогнозами нагрузки, которые имеют высокую точность. Для составления ежедневного графика TSO могут рассмотреть свои собственные средства производства электроэнергии, если таковые имеются, и / или они могут покупать выработку электроэнергии у независимых производителей электроэнергии (IPP) и коммунальных предприятий, через двусторонние контракты или пулы электроэнергии. В условиях дерегулирования на рынке появляется все больше и больше игроков, тем самым нарушая традиционную ситуацию вертикально интегрированных коммунальных предприятий с квази-местными монополиями. Рынки электроэнергии образуют два основных механизма. Первый - это спотовый рынок, участники которого предлагают количество энергии на следующий день по заданной себестоимости. Аукционная система позволяет устанавливать спотовую цену на электроэнергию за различные периоды в зависимости от различных заявок. Второй механизм - это балансировка выработки электроэнергии, которую координирует TSO. В зависимости от дефицита и избытка энергии (например, из-за отказов электростанции или перебоев в работе ветроэнергетических установок) TSO определяет штрафы, которые будут уплачены IPP, которые не выполнили свои обязательства. В некоторых случаях также присутствует внутридневной рынок для принятия корректирующих мер.
Чтобы проиллюстрировать этот механизм рынка электроэнергии, рассмотрим голландский рынок электроэнергии. Участники рынка, называемые ответственными за программу сторонами (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 мощности за 15 минут требуется от всех производителей и потребителей электроэнергии, подключенных к сети, которые для этой цели могут быть объединены в подгруппы. Поскольку эти подмножества называются программами, балансировка по 15-минутной шкале называется балансом программы. Баланс программы теперь поддерживается с помощью графиков производства, выпущенных за день до поставки, и отчетов об измерениях (распространяемых на следующий день после доставки). 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 принимать во внимание только производство энергии ветра, Дисбаланс программы сводится к реализованному производству ветра минус прогнозируемое производство ветра. Программный дисбаланс - это ошибка прогноза ветроэнергетики.
Программный дисбаланс рассчитывается системным оператором с использованием различных тарифов для отрицательного программного дисбаланса и положительного программного дисбаланса. Положительный дисбаланс программы означает, что фактически произведено больше энергии, чем прогнозируется. по энергии ветра реализованная выработка ветра больше, чем прогнозируемая. И наоборот, в случае отрицательного дисбаланса Программы по ветровой энергии.
Обратите внимание, что затраты на положительный и отрицательный дисбаланс могут быть асимметричными, в зависимости от механизма балансирующего рынка. В целом производители ветровой энергии подвергаются штрафам такой рыночной системой, поскольку большая часть их продукции может подлежать штрафам.
Параллельно с использованием для участия в рынке прогнозы ветровой энергии могут использоваться для оптимального комбинированного работа ветровой и традиционной генерации, ветровой и гидроэнергетики или ветра в сочетании с некоторыми устройствами хранения энергии. Они также служат основой для количественной оценки потребности в запасах для компенсации возможной нехватки ветроэнергетики.
Для краткосрочного прогнозирования ветровой генерации используются несколько методов. Самые простые из них основаны на климатологии или средних значениях прошлой продукции. Их можно рассматривать как эталонные методы прогнозирования, поскольку их легко реализовать, а также в качестве эталона при оценке более продвинутых подходов. Самым популярным из этих эталонных методов, безусловно, является настойчивость. Этот наивный предсказатель - обычно называемый «то, что вы видите, - это то, что вы получаете» - утверждает, что будущая генерация ветра будет такой же, как последнее измеренное значение. Несмотря на кажущуюся простоту, этот наивный метод может быть трудно превзойти в отношении времени прогнозирования на 4–6 часов вперед
Передовые подходы к краткосрочному прогнозированию энергии ветра требуют прогнозирования метеорологических переменных в качестве входных данных. Кроме того, они различаются способом преобразования прогнозов метеорологических переменных в прогнозы выработки ветровой энергии 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, чтобы предложить оценку выходной мощности ветра. Параллельно вторая группа, называемая статистическим подходом, концентрируется на фиксации связи между метеорологическими прогнозами (и, возможно, историческими измерениями) и выходной мощностью с помощью статистических моделей, параметры которых должны оцениваться на основе данных, без каких-либо предположений о физических явлениях.
Производство ветровой энергии напрямую связано с погодными условиями, и, таким образом, первым аспектом прогнозирования ветровой энергии является прогнозирование будущих значений необходимых погодных переменных на уровне ветряная электростанция. Это делается с помощью моделей численного прогноза погоды (ЧПП). Такие модели основаны на уравнениях, определяющих движения и силы, влияющие на движение жидкостей. Зная реальное состояние атмосферы, система уравнений позволяет оценить, какова эволюция переменных состояния, например температура, скорость, влажность и давление будут в ряде точек сетки. Метеорологические переменные, которые необходимы в качестве входных данных для прогнозирования энергии ветра, очевидно, включают скорость и направление ветра, а также, возможно, температуру, давление и влажность. Расстояние между точками сетки называется пространственным разрешением ЧПП. Сетка обычно имеет интервал, который варьируется от нескольких километров до 50 километров для мезомасштабных моделей. Что касается оси времени, то продолжительность прогноза большинства действующих сегодня моделей составляет от 48 до 172 часов вперед, что соответствует требованиям для применения ветроэнергетики. Временное разрешение обычно составляет от 1 до 3 часов. Модели ЧПП навязывают свое временное разрешение краткосрочным методам прогнозирования ветровой энергии, поскольку они используются в качестве непосредственных исходных данных.
Прогнозы метеорологических переменных предоставляются метеорологическими институтами. Метеорологи используют атмосферные модели для прогнозов погоды на краткосрочные и среднесрочные периоды. Модель атмосферы представляет собой численное приближение физического описания состояния атмосферы в ближайшем будущем и обычно запускается на суперкомпьютере. Каждое вычисление начинается с начальных условий, взятых из недавних измерений. Выходные данные состоят из ожидаемого мгновенного значения физических величин на различных вертикальных уровнях в горизонтальной сетке и с шагом во времени до нескольких часов после инициирования. Есть несколько причин, по которым атмосферные модели только приблизительно соответствуют реальности. Во-первых, не все соответствующие атмосферные процессы включены в модель. 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 стареют со временем - они уже устарели, когда начинается вычисление, не говоря уже о 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 сбора и анализа множества измерений, используемых в качестве входных данных для моделей ЧПП, затем запуска модели, проверки и распространения ряда выходных прогнозов. Этот разрыв - слепое пятно 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 модели атмосферы Hirlam с данными измерений, а затем за период до Прогноз доставки - 4 часа.
Доступно множество различных атмосферных моделей, от инструментов академических исследований до полностью действующих инструментов. Помимо самой природы модели (физических процессов или численных схем) между ними есть некоторые четкие отличительные различия: временная область (от нескольких часов до 6 дней вперед), площадь (от нескольких 10.000 км² до площади, покрывающей половину планеты), горизонтальное разрешение (от 1 км до 100 км) и временное разрешение (от 1 часа до нескольких часов).
Одной из атмосферных моделей является модель с ограниченным пространством с высоким разрешением, сокращенно HIRLAM, которая часто используется в Европе. HIRLAM существует во многих версиях; поэтому лучше говорить об «ХИРЛАМе», чем «ХИРЛАМ». Каждая версия поддерживается национальным институтом, таким как голландский KNMI, датский DMI или финский FMI. И каждый институт имеет под своим крылом несколько версий, разделенных на такие категории, как: оперативная, предоперационная, полуоперационная и для исследовательских целей.
Другие модели атмосферы:
Обратите внимание, что ALADIN и COSMO также используется в других странах Европы, тогда как UM используется в BOM в Австралии.
Метеорологические прогнозы даются в определенных узлах сетки, покрывающей территорию. Поскольку ветряные электростанции не расположены на этих узлах, необходимо экстраполировать эти прогнозы в желаемое место и на высоту ступицы турбины. Физические методы прогнозирования состоят из нескольких подмоделей, которые в совокупности обеспечивают перевод прогноза ветра в определенной точке сети 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 относительно местности, таких как неровность, орография и препятствия, а также путем моделирования местного профиля ветра, возможно, с учетом стабильности атмосферы. Двумя основными альтернативами для этого являются: (i) объединение моделирования профиля ветра (в большинстве случаев с логарифмическим допущением) и закона геострофического сопротивления для получения приземных ветров; (ii) использовать код CFD (вычислительная гидродинамика), который позволяет точно вычислить поле ветра, которое увидит ферма, с учетом полного описания местности.
Когда известен ветер на уровне ветряной электростанции и на высоте ступицы, второй шаг заключается в преобразовании скорости ветра в мощность. Обычно эта задача выполняется с помощью 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 дает выработку энергии ветра от ЧПП в заданных местах вокруг ветряной электростанции, выполняется раз и навсегда. Затем оцененная передаточная функция применяется к имеющимся прогнозам погоды в данный момент. Чтобы учесть систематические ошибки прогнозирования, которые могут быть связаны с моделью ЧПП или их подходом к моделированию, разработчики физических моделей часто интегрируют Статистику выходных данных модели (MOS) для постобработки прогнозов мощности.
Методы статистического прогнозирования основаны на одной или нескольких моделях, которые устанавливают взаимосвязь между историческими значениями мощности, а также историческими и прогнозными значениями метеорологических переменных, и измерения энергии ветра. Физические явления не разлагаются и не учитываются, даже если знание проблемы имеет решающее значение для выбора правильных метеорологических переменных и разработки подходящих моделей. Параметры модели оцениваются на основе набора прошлых доступных данных, и они регулярно обновляются во время работы в режиме онлайн с учетом любой новой доступной информации (например, метеорологических прогнозов и измерений мощности).
Статистические модели включают линейные и нелинейные модели, а также структурные модели и модели черного ящика. Структурные модели полагаются на опыт аналитика в изучении представляющего интерес явления, в то время как модели черного ящика не требуют особых знаний в предметной области и строятся на основе данных довольно механическим способом. Что касается прогнозирования энергии ветра, то структурными моделями могут быть модели, включающие моделирование суточных вариаций скорости ветра или явную функцию прогнозов метеорологических переменных. Модели черного ящика включают в себя большинство моделей на основе искусственного интеллекта, таких как нейронные сети (NN) и машины опорных векторов (SVM). Однако некоторые модели находятся "посередине" между двумя крайностями: полностью черный ящик или структурный. Это случай экспертных систем, которые учатся на опыте (из набора данных) и в которые могут быть введены предварительные знания. Затем мы говорим о моделировании серого ящика. Статистические модели обычно состоят из авторегрессионной части для определения постоянного поведения ветра и «метеорологической» части, которая заключается в нелинейном преобразовании прогнозов метеорологических переменных. Авторегрессионная часть позволяет значительно повысить точность прогнозов для горизонтов до 6–10 часов вперед, то есть в течение периода, в течение которого единственного использования информации метеорологического прогноза может быть недостаточно для превосходства с постоянством.
Сегодня основные разработки статистических подходов к прогнозированию энергии ветра концентрируются на использовании нескольких метеорологических прогнозов (от разных метеорологических служб) в качестве исходных данных и комбинации прогнозов, а также на оптимальном использовании пространственно распределенных данных измерений для исправление ошибок прогнозирования или, в качестве альтернативы, для выдачи предупреждений о потенциально большой неопределенности.
Google DeepMind использует нейронную сеть для улучшения прогнозов.
| Внешнее изображение | |
|---|---|
 Прогноз на завтра для трех системных областей; Западная и Восточная Дания и Эстония |
Текущие конструкции оптимальны только для спокойных, устойчивых условий. Инструменты проектирования, учитывающие неустойчивость и турбулентность, гораздо менее развиты.
Прогнозы выработки ветровой энергии традиционно предоставляются в форме точечных прогнозов, то есть единственного значения для каждого времени прогнозирования, которое соответствует ожидаемому или наиболее вероятный исход. Их преимущество в том, что они легко понятны, поскольку ожидается, что это единственное значение расскажет все о будущем производстве электроэнергии. Сегодня основная часть исследовательских усилий по прогнозированию ветровой энергии по-прежнему сосредоточена только на точечном прогнозировании с целью ассимиляции все большего количества наблюдений в моделях или уточнения разрешения физических моделей для лучшего представления полей ветра в очень локальном масштабе для пример. Эти усилия могут привести к значительному снижению уровня ошибки прогноза.
Однако, даже при лучшем понимании и моделировании как метеорологических процессов, так и процессов преобразования энергии, в каждом прогнозе всегда будет неотъемлемая и непреодолимая неопределенность. Эта эпистемическая неопределенность соответствует неполному знанию процессов, влияющих на будущие события. Поэтому в дополнение к точечным прогнозам ветроэнергетики на ближайшие часы или дни большое значение имеет обеспечение средств для онлайн-оценки точности этих прогнозов. На практике сегодня неопределенность выражается в форме вероятностных прогнозов или с помощью индексов риска, предоставляемых наряду с традиционными точечными прогнозами. Было показано, что некоторые решения, связанные с управлением ветроэнергетикой и торговлей, являются более оптимальными с учетом неопределенности прогнозов. На примере торгового приложения исследования показали, что надежная оценка неопределенности прогноза позволяет производителям ветровой энергии значительно увеличить свой доход по сравнению с единственным использованием передового метода точечного прогнозирования. Другие исследования этого типа касаются оптимального динамического количественного определения требований к резервам, оптимальной работы комбинированных систем, включая ветровые, или многоступенчатого многоступенчатого регулирования. Ожидается, что будет проводиться все больше и больше исследований по неопределенности прогнозов и связанным темам.
Согласно отчету коалиции исследователей из университетов, промышленности и правительства, поддержанной Центром устойчивого будущего Аткинсона <, есть ряд вопросов, на которые еще предстоит ответить в Корнельском университете. Они включают в себя:
В отчете также представлены возможные инструменты, используемые для поддержки этого необходимого исследования.
Корреляция между ветровой мощностью и прогнозом может быть относительно высокой, со средней неисправленной ошибкой 8,8% в Германии за двухлетний период.
ENFOR - Прогнозирование энергии ветра
