Production planning of a wind farm based on wind speed forecasting
No Thumbnail Available
URL
Journal Title
Journal ISSN
Volume Title
Master's thesis
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
2010
Department
Major/Subject
Systeemitekniikka
Mcode
AS-74
Degree programme
Language
en
Pages
[13+] 93
Series
Abstract
Viime vuosina tuulivoiman käyttö on lisääntynyt merkittävästi monessa maassa ja saman trendin oletetaan jatkuvan myös tulevaisuudessa. Tulevan tuotannon ennustaminen on tuulivoiman tuottajille ensiarvoisen tärkeää, sillä sähkömarkkinoiden rakenne pakottaa tuulivoimatuottajat ennustamaan tulevan tuotantonsa etukäteen. Tuulivoimatuottajien on siis hyväksyttävä, että mahdolliset ennustepoikkeamat johtavat taloudellisiin tappioihin. Tämän vuoksi tuottajilla on tarve tehdä ennusteensa mahdollisimman tarkasti. Tämä diplomityö esittelee ensin yleisesti tuulivoimaa ja sähkömarkkinoiden rakennetta. Tämän jälkeen työssä käydään läpi useita viimeisimpiä tuulituotannon ennustemalleja. Lisäksi työssä esitellään erään tuulivoimapuiston nykyinen suoraan tuuliturbiinin tehokäyrään perustuva ennustemenetelmä ja arvioidaan sen tarkkuutta. Näihin tuloksiin perustuen työssä kehitetään ennustemalleja, joiden avulla voidaan tehdä lyhyen ajan (alle kahden päivän) tuulituotannon ennusteita. Pääasiallisena mallien luokkana ovat kehittyneet tekoälyyn perustuvat autoregressiiviset mallit, joita täydennetään numeeristen sääennusteiden informaatiolla. Tuulennopeuden ja tuotannon ennustaminen on kuitenkin varsin hankalaa, joten ei ole olemassa mallia, jonka avulla päästäisiin täydellisiin ennusteisiin. Jotta ennusteen epävarmuutta voitaisiin arvioida ja tuulituotantoa myydä ja hallita tehokkaammin, tämä työ esittelee myös menetelmiä ennustevirheiden estimoimiseksi. Käyttöönotettujen mallien suorituskykyä mitataan ja verrataan verrokkimalliin. Tulokset osoittavat, että kehittyneiden ennustemallien avulla ennustevirheet ja näistä johtuvat taloudelliset tappiot pienenevät. Tässä työssä esitellyillä tuloksilla ja mallirakenteilla on yleistä arvoa, mutta niitä pitää tulkita tapauskohtaisesti.In recent years, the use of wind power has expanded significantly in many countries and shall continue on that track in the future as well. In the everyday operation of wind power producers, predicting the future output of wind power is of key interest. The structure of electricity markets imposes upon the producer to forecast the future production level, which thus forces the producer to be subject to possible deviations. These deviations lead to economic losses; therefore there is a strong need to predict as accurately as possible. After briefly introducing wind power in general as well as explaining the structure of electricity markets, this thesis presents some of the current state-of-the-art wind power prediction models and uses as a reference the current forecasting performance from a wind farm case study. The reference model is based directly on a turbine power curve. Based on these results it then develops forecasting models for making short-term (up to two days) predictions of wind power output. The main focus is on advanced artificial intelligence-based autoregressive models enhanced with numerical weather prediction information. The prediction of wind speed and production is rather intractable by nature; therefore there cannot be any model that would lead to zero errors of prediction. For evaluating this omnipresent uncertainty, methods for estimating prediction errors which would lead to more effcient wind power trading and management are also presented and tested. The performance of the implemented models is measured and compared to the reference model. The results show that the use of an advanced forecasting model decreases the prediction errors and thus also the related economical losses. The results have a general value; nevertheless they, as well as the model configurations presented here, have to be considered as case-specific.Description
Supervisor
Koivo, HeikkiThesis advisor
Tuominen, ArtoKeywords
wind farm, wind power prediction, wind speed forecasting, prediction uncertainty, electricity markets, support vector machine, tuulivoimapuisto, tuulivoimaennustaminen, tuulennopeuden ennustaminen, ennustusten epävarmuus, sähkömarkkinat, tukivektorikone