АНАЛІЗ МЕТОДІВ ПРОГНОЗУВАННЯ ШВИДКОСТІ ВІТРУ ДЛЯ ПІДВИЩЕННЯ ЕФЕКТИВНОСТІ ФУНКЦІОНУВАННЯ ВІТРОВИХ ЕЛЕКТРОСТАНЦІЙ
DOI:
https://doi.org/10.20535/1813-5420.2.2025.327376Ключові слова:
вітроенергетика, прогнозування швидкості вітру, числове моделювання, статистичні методи, машинне навчання, гібридні підходиАнотація
Розвиток вітроенергетики в Україні є важливим стратегічним напрямом, що сприяє енергетичній безпеці, зниженню залежності від імпортованих енергоносіїв та зменшенню негативного впливу на довкілля. В умовах нестабільності ринку та змін клімату точне прогнозування швидкості вітру є критичним фактором для ефективного функціонування вітрових електростанцій (ВЕС). Метою роботи є комплексний аналіз сучасних методів прогнозування швидкості вітру з метою підвищення ефективності експлуатації ВЕС та формування рекомендацій щодо оптимізації процесів прогнозування. У статті розглянуто фізичні (числові) методи, що базуються на рівняннях Нав’є–Стокса та моделюванні динаміки атмосфери, зокрема моделі WRF і ECMWF. Визначено їхню перевагу у середньо- та довгостроковому прогнозуванні, а також основні обмеження, пов’язані з обчислювальною складністю та необхідністю точних вхідних даних. Досліджено статистичні методи, такі як ARIMA, які ефективні для короткострокового прогнозування, проте мають обмежену здатність враховувати нелінійні процеси та раптові зміни вітрового потоку. Окрему увагу приділено застосуванню методів машинного навчання та гібридних підходів, що поєднують фізичне моделювання зі статистичним аналізом і алгоритмами глибокого навчання. Такі методи дозволяють адаптувати прогнозні моделі до конкретних умов експлуатації ВЕС та підвищувати точність прогнозів. Зроблено висновок про необхідність подальшого вдосконалення методів прогнозування, зокрема розвитку адаптивних моделей, що використовують великі масиви даних та враховують регіональні особливості вітрових ресурсів. Запропоновані рекомендації можуть бути корисними для операторів ВЕС, інвесторів та науковців, які займаються аналізом вітрових ресурсів та розвитком алгоритмів прогнозування.
Посилання
Nam’yasenko, V. (2024). Review of the Priority Directions for Post‐war Development of Ukraine’s Economy. Naukovì perspektivi (Scientific Perspectives), (10), 52. http://dx.doi.org/10.52058/2708-7530-2024-10(52)-603-613
Ryabtsev, G., & Omelchenko, V. (2024). Review of the Energy Sector’s Performance in September 2024: October 2024.
Oberemok, D. O. et al. (2024). Analysis of the State of Electrical Networks and Review of Current Issues: Prospects for the Integration of Solar Power Plants and Energy Storage Systems.
Stogniy, B. S., & Sopel, M. F. (2013). Fundamentals of Monitoring in Power Engineering: On the Concept of Monitoring. Technical Electrodynamics.
Chair of the Board of the Ukrainian Wind Energy Association. (2024). On the State and Prospects of the Industry.https://ua-energy.org/uk/posts/andrii-konechenkov-za-dva-roky-viiny-vvedeno-blyzko-230-mvt-vitroheneratsii
Pape, M., & Kazerani, M. (2020). Turbine startup and shutdown in wind farms featuring partial power processing converters. IEEE Open Access Journal of Power and Energy, 7, 254–264. https://doi.org/10.1109/OAJPE.2020.3006352
Bilyavskyi, M. (2021). Ukraine and Global Decarbonization Policy. Razumkov Centre. https://doi.org/10.32782/2524-0072/2023-54-76
Hoksbergen, N., Akkerman, R., & Baran, I. (2022). The Springer model for lifetime prediction of wind turbine blade leading edge protection systems: A review and sensitivity study. Materials, 15(3), 1170. https://doi.org/10.3390/ma15031170
Ackermann, T. (2005). Wind Power in Power Systems. Wiley. https://doi.org/10.1002/0470012684
Venkatramakrishnan, R. та ін. (2020). Low speed wind turbines for power generation: A review. https://doi.org/10.56532/mjsat.v4i3.352
Babak, V. P. та ін. (2021). Models and Measures in Measurements and Monitoring. Springer International Publishing. https://doi.org/10.1007/978-3-030-70783-5
Babak, V. P. та ін. (2021). Problems and features of measurements. Studies in Systems, Decision and Control, 360, 1–31. https://doi.org/10.1007/978-3-030-72361-3_1
Application of material measure in measurements: Theoretical aspects. http://dx.doi.org/10.1007/978-3-030-69189-9_15
Babak, V., Zaporozhets, A., Kuts, Y., Scherbak, L., & Eremenko, V. (2021). Studies in Systems, Decision and Control, 346, 261–269. https://doi.org/10.1007/978-3-030-69189-9_15
Manwell, J. F., McGowan, J. G., & Rogers, A. L. (2010). Wind Energy Explained: Theory, Design and Application. John Wiley & Sons. http://dx.doi.org/10.1002/9781119994367
Burton, T., Jenkins, N., Sharpe, D., & Bossanyi, E. (2011). Wind Energy Handbook. Wiley. https://doi.org/10.1002/0470846062
Archer, C. L., & Jacobson, M. Z. (2005). Evaluation of global wind power. Journal of Geophysical Research, 110, D12104. https://doi.org/10.1029/2004JD005462
Sørensen, J. D. (2011). Reliability of Wind Turbines – Standards, Modeling, and Management. Springer. http://dx.doi.org/10.3390/en8042908
Hansen, M. O. L. (2015). Aerodynamics of Wind Turbines. Routledge. http://dx.doi.org/10.4324/9781315769981
Chodakowska, E. та ін. (2023). ARIMA models in solar radiation forecasting in different geographic locations. Energies, 16(13), 5029. https://doi.org/10.3390/en16135029
Kavasseri, R. G., & Seetharaman, K. (2009). Day-ahead wind speed forecasting using f-ARIMA models. Renewable Energy, 34(5), 1388–1393. https://doi.org/10.1016/j.renene.2008.09.006
Singh, S. N. et al. (2019). Repeated wavelet transform based ARIMA model for very short-term wind speed forecasting. Renewable Energy, 136, 758–768. https://doi.org/10.1016/j.renene.2019.01.031
Nayak, A. K. et al. (2015). ARIMA based statistical approach to predict wind power ramps. 2015 IEEE Power & Energy Society General Meeting, 1–5. https://doi.org/10.1109/PESGM.2015.7286237
Sim, S. K., Maass, P., & Lind, P. G. (2018). Wind speed modeling by nested ARIMA processes. Energies, 12(1), 69. https://doi.org/10.3390/en12010069
Fara, L. та ін. (2021). Forecasting of energy production for photovoltaic systems based on ARIMA and ANN advanced models. International Journal of Photoenergy, 2021(1), 6777488. https://doi.org/10.1155/2021/6777488
Tawn, R., & Browell, J. (2022). A review of very short-term wind and solar power forecasting. Renewable and Sustainable Energy Reviews, 153, 111758. https://doi.org/10.1016/j.rser.2021.111758
Zhu, X., & Genton, M. G. (2012). Short‐term wind speed forecasting for power system operations. International Statistical Review, 80(1), 2–23. https://doi.org/10.1111/j.1751-5823.2011.00168.x
Khosravi, A., Machado, L., & Nunes, R. O. (2018). Time-series prediction of wind speed using machine learning algorithms: A case study Osorio wind farm, Brazil. Applied Energy, 224, 550–566. https://doi.org/10.1016/j.apenergy.2018.05.043
Palomares-Salas, J. C. et al. (2009). ARIMA vs. Neural networks for wind speed forecasting. 2009 IEEE International Conference on Computational Intelligence for Measurement Systems and Applications, 129–133. https://doi.org/10.1109/CIMSA.2009.5069932
Zhao, P. et al. (2010). Wind speed forecasting using support vector regression. 2010 5th IEEE Conference on Industrial Electronics and Applications, 882–886. http://dx.doi.org/10.1109/ICIEA.2010.5515626
Elsaraiti, M., & Merabet, A. (2021). A comparative analysis of the ARIMA and LSTM predictive models and their effectiveness for predicting wind speed. Energies, 14(20), 6782. https://doi.org/10.3390/en14206782
Grigonytė, E., & Butkevičiūtė, E. (2016). Short-term wind speed forecasting using ARIMA model. Energetika, 62(1-2). H http://dx.doi.org/10.6001/energetika.v62i1-2.3313
Shi, J., Guo, J., & Zheng, S. (2012). Evaluation of hybrid forecasting approaches for wind speed and power generation time series. Renewable and Sustainable Energy Reviews, 16(5), 3471–3480. https://doi.org/10.1016/j.rser.2012.02.044
Shukur, O. B., & Lee, M. H. (2015). Daily wind speed forecasting through hybrid KF-ANN model based on ARIMA. Renewable Energy, 76, 637–647. https://doi.org/10.1016/j.renene.2014.11.084
Campbell, P. R. J. (2007). Short-term wind energy forecasting. Proceedings of the 2007 IEEE Canada Electrical Power Conference, October 25-26, Montreal, Canada, 342–346. http://dx.doi.org/10.1109/CIEM52821.2021.9614935
Efthimiou, G. C., et al. (2017). A statistical model for the prediction of wind-speed probabilities in the atmospheric surface layer. Boundary-Layer Meteorology, 163, 179–201 https://doi.org/10.1007/s10546-016-0221-2
González-Sopeña, J. M., Pakrashi, V., & Ghosh, B. (2021). An overview of performance evaluation metrics for short-term statistical wind power forecasting. Renewable and Sustainable Energy Reviews, 138, 110515. https://doi.org/10.1016/j.rser.2020.110515
Krakovna, V., & Doshi-Velez, F. (2016). Increasing the interpretability of recurrent neural networks using hidden Markov models. arXiv preprint arXiv:1606.05320. https://arxiv.org/abs/1606.05320
Mishra, A. K., & Ramesh, L. (2009). Application of neural networks in wind power (generation) prediction. Proceedings of the 2009 International Conference on Sustainable Power Generation and Supply, April 6-7, Nanjing, China, 1–5. http://dx.doi.org/10.14569/IJACSA.2016.070336
Wu, Q., et al. (2021). Ultra‐short‐term multi‐step wind power forecasting based on CNN‐LSTM. IET Renewable Power Generation, 15(5), 1019–1029. https://doi.org/10.1049/rpg2.12085
Ata, R. (2015). RETRACTED: Artificial neural networks applications in wind energy systems: A review. Renewable and Sustainable Energy Reviews. https://doi.org/10.1016/j.rser.2015.04.166
Sherstinsky, A. (2020). Fundamentals of recurrent neural network (RNN) and long short-term memory (LSTM) network. Physica D: Nonlinear Phenomena, 404, 132306. https://doi.org/10.1016/j.physd.2019.132306
Cao, Q., Ewing, B. T., & Thompson, M. A. (2012). Forecasting wind speed with recurrent neural networks. European Journal of Operational Research, 221(1), 148–154. https://doi.org/10.1016/j.ejor.2012.02.042
Li, S. (2003). Wind power prediction using recurrent multilayer perceptron neural networks. Proceedings of the 2003 IEEE Power Engineering Society General Meeting, July 13-17, Toronto, Canada, 4, 2325–2330. http://dx.doi.org/10.1109/PES.2003.1270992
Chen, G., et al. (2022). Short-term wind speed forecasting based on long short-term memory and improved BP neural network. International Journal of Electrical Power & Energy Systems, 134, 107365. https://doi.org/10.1016/j.ijepes.2021.107365
Xin, Z., et al. (2024). An enhanced feature extraction based long short-term memory neural network for wind power forecasting via considering the missing data reconstruction. Energy Reports, 11, 97–114. https://doi.org/10.1016/j.egyr.2023.11.040
Fukuoka, R., et al. (2018). Wind speed prediction model using LSTM and 1D-CNN. Journal of Signal Processing, 22(4), 207–210. https://doi.org/10.2299/jsp.22.207
Wang, H. Z., et al. (2016). Deep belief network based deterministic and probabilistic wind speed forecasting approach. Applied Energy, 182, 80–93. https://doi.org/10.1016/j.apenergy.2016.08.108
Gao, F., & Li, X. (2020). Improved forecasting of wind speed using deep belief networks. Renewable Energy, 148, 421–430. http://dx.doi.org/10.1002/tee.22802
Sarangi, S., Dash, P. K., & Bisoi, R. (2024). Short-term prediction of wind power using an improved kernel based optimized deep belief network. Energy Conversion and Management, 316, 118821. https://doi.org/10.1016/j.enconman.2024.118821
Wei, D., et al. (2021). Wind speed forecasting system based on gated recurrent units and convolutional spiking neural networks. Applied Energy, 292, 116842. https://doi.org/10.1016/j.apenergy.2021.116842
Wang, Y., et al. (2021). A review of wind speed and wind power forecasting with deep neural networks. Applied Energy, 304, 117766. https://doi.org/10.1016/j.apenergy.2021.117766
Shin, H., Rüttgers, M., & Lee, S. (2022). Neural networks for improving wind power efficiency: A review. Fluids, 7(12), 367. https://doi.org/10.3390/fluids7120367
Ye, X. W., Ding, Y., & Wan, H. P. (2019). Machine learning approaches for wind speed forecasting using long-term monitoring data: A comparative study. Smart Structures and Systems, 24(6), 733–744. http://dx.doi.org/10.12989/sss.2019.24.6.733
Zhang, W., et al. (2013). Short-term wind speed forecasting based on a hybrid model. Applied Soft Computing, 13(7), 3225–3233. https://doi.org/10.1016/j.asoc.2013.02.016
Tiwari, S., & Ling, J. M. (2021). A review of wind energy forecasting techniques. Proceedings of the 2021 International Conference on Technology and Policy in Energy and Electric Power (ICT-PEP), October 19-21, Jakarta, Indonesia, 213–218. https://doi.org/10.1109/ICT-PEP53949.2021.9600993
Deng, X., et al. (2020). Wind power forecasting methods based on deep learning: A survey. Computer Modeling in Engineering & Sciences, 122(1), 273–302. http://dx.doi.org/10.32604/cmes.2020.08768
Tascikaraoglu, A., & Uzunoglu, M. (2014). A review of combined approaches for prediction of short-term wind speed and power. Renewable and Sustainable Energy Reviews, 34, 243–254. https://doi.org/10.1016/j.rser.2014.03.033
Bazionis, I. K., & Georgilakis, P. S. (2021). Review of deterministic and probabilistic wind power forecasting: Models, methods, and future research. Electricity, 2(1), 13–47. https://doi.org/10.3390/electricity2010002
Tang, M., et al. (2021). Review and perspectives of machine learning methods for wind turbine fault diagnosis. Frontiers in Energy Research, 9, 751066. https://doi.org/10.3389/fenrg.2021.751066
Arora, P., et al. (2022). Probabilistic wind power forecasting using optimized deep auto-regressive recurrent neural networks. IEEE Transactions on Industrial Informatics, 19(3), 2814–2825. http://dx.doi.org/10.1109/TII.2022.3160696
Yousuf, M. U., Al-Bahadly, I., & Avci, E. (2021). Short-term wind speed forecasting based on hybrid MODWT-ARIMA-Markov model. IEEE Access, 9, 79695–79711. http://dx.doi.org/10.1109/ACCESS.2021.3084536
Nookesh, V. M., et al. (2021). Comparative study of wind speed forecasting using machine learning. Proceedings of the 2021 2nd International Conference on Smart Electronics and Communication (ICOSEC), October 7-9, Trichy, India, 1121–1126. http://dx.doi.org/10.1109/ICOSEC51865.2021.9591767
Okumus, I., & Dinler, A. (2016). Current status of wind energy forecasting and a hybrid method for hourly predictions. Energy Conversion and Management, 123, 362–371. https://doi.org/10.1016/j.enconman.2016.06.053
de Mattos Neto, P. S. G., et al. (2021). An adaptive hybrid system using deep learning for wind speed forecasting. Information Sciences, 581, 495–514. http://dx.doi.org/10.1016/j.ins.2021.09.054
Aly, H. H. H. (2020). A novel deep learning intelligent clustered hybrid models for wind speed and power forecasting. Energy, 213, 118773. https://doi.org/10.1016/j.energy.2020.118773
Hu, H., Wang, L., & Tao, R. (2021). Wind speed forecasting based on variational mode decomposition and improved echo state network. Renewable Energy, 164, 729–751. https://doi.org/10.1016/j.renene.2020.09.109
Lipu, M. S. H., et al. (2021). Artificial intelligence based hybrid forecasting approaches for wind power generation: Progress, challenges and prospects. IEEE Access, 9, 102460–102489. http://dx.doi.org/10.1109/ACCESS.2021.3097102
Chen, J., et al. (2018). Wind speed forecasting using nonlinear-learning ensemble of deep learning time series prediction and extremal optimization. Energy Conversion and Management, 165, 681–695. http://dx.doi.org/10.1016/j.enconman.2018.03.098
Lv, S. X., & Wang, L. (2023). Multivariate wind speed forecasting based on multi-objective feature selection approach and hybrid deep learning model. Energy, 263, 126100. https://doi.org/10.1016/j.energy.2022.126100
Song, D., et al. (2024). Review of AI-based wind prediction within recent three years: 2021–2023. Energies, 17(6), 1270. https://doi.org/10.3390/en17061270
Wang, J., & Hu, J. (2015). A robust combination approach for short-term wind speed forecasting and analysis – Combination of the ARIMA, ELM, SVM and LSSVM forecasts using a GPR model. Energy, 93, 41–56. https://doi.org/10.1016/j.energy.2015.08.045
Suárez-Cetrulo, A. L., et al. (2022). Wind power forecasting using ensemble learning for day-ahead energy trading. Renewable Energy, 191, 685–698. http://dx.doi.org/10.1016/j.renene.2022.04.032
Du, P., et al. (2019). A novel hybrid model for short-term wind power forecasting. Applied Soft Computing, 80, 93–106. https://doi.org/10.1016/j.asoc.2019.03.035
da Silva, R. G., et al. (2021). A novel decomposition-ensemble learning framework for multi-step ahead wind energy forecasting. Energy, 216, 119174. https://doi.org/10.1016/j.energy.2020.119174
Ghorbani, M. A., et al. (2016). Short-term wind speed predictions with machine learning techniques. Meteorology and Atmospheric Physics https://doi.org/10.1007/s00703-015-0398-9
NASA POWER [Electronic resource]. Accessed: https://power.larc.nasa.gov/ (10.01.2025)
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
