Nr 2(111) - 2014 Rynek Energii Sr. 61 PROGNOZOWANIE GENERACJI WIATROWEJ Z WYKORZYSTANIEM METOD LOKALNYCH I REGRESJI NIELINIOWEJ Tymoeusz Hossa, Wiolea Sokołowska, Karol Fabisz, Agaa Filipowska Słowa kluczowe: prognozowanie produkcji energii, generacja wiarowa Sreszczenie. Poliyka energeyczna Polski określa, że do 2030 roku około 7% generacji energii w kraju ma pochodzić ze źródeł wiarowych. Arykuł nakreśla wyzwania związane z prognozowaniem generacji z ego źródła energii. Celem arykułu jes przesawienie meodyki i wyników prognozowania generacji energii ze źródeł wiarowych, w kórej nowaorsko połączono rzy meody prognozowania. W pierwszym eapie wykorzysano regresję nieliniową oparą na funkcji logisycznej do budowy profilu generacji urbiny. Eap drugi oparo o regresję lokalną, kóra buduje właściwy model prognosyczny. W osanim kroku wykorzysano meodę koreky błędem w celu minimalizacji błędów prognozy wynikających z nieypowego zachowania urbiny. Meodyka prezenowana w arykule jes wynikiem projeku Fuure Energy Managemen Sysem, w kórym m.in. przebadano dane generacji z dużej farmy wiarowej zlokalizowanej w zachodniej Polsce. Ponado, arykuł wskazuje na wyzwania związane ze zmiennością czynników amosferycznych i zużyciem własnym siłowni wiarowej, kóre częso w wyniku braku sprofilowania urbiny jes akże rudno przewidywalne. 1. WSTĘP Niespokojna praca siłowni wiarowych (wynikająca z dużej zmienności generacji energii elekrycznej w czasie) oraz sopień ich oddziaływania na funkcjonowanie sysemu elekroenergeycznego, o ylko niekóre z przyczyn, dla kórych operaorzy sysemów elekroenergeycznych nakładają na właścicieli wiaraków obowiązek prognozowania mocy elekrowni wiarowych [11],[1]. Opracowane prognozy generacji energii elekrycznej w urbinach, w zależności od przyjęego horyzonu czasu, mają zasosowanie m.in. w: bilansowaniu popyu i podaży energii elekrycznej w całym sysemie elekroenergeycznym, opymalizacji obciążeń, oraz planowaniu rezerw mocy [1],[3],[7],[10],[13]. Przygoowywanie rafnych prognoz, j. obarczonych możliwie najniższym błędem, choć niezwykle isone z punku widzenia zapewnienia niezawodności pracy sysemu elekroenergeycznego oraz minimalizacji koszów finansowych wynikających z udziału w obrocie na rynku energii elekrycznej, jes zadaniem niezwykle problemaycznym. Za jedne z kluczowych wyzwań w konekście prognozowania generacji energii elekrycznej w urbinach wiarowych uważa się przede wszyskim niepewność predykcji warunków meeorologicznych, wielkość wahań mocy (wynikających z uwarunkowań echnicznych ego ypu elekrowni oraz oddziałujących czynników amosferycznych), zależność charakerysyki zasobu wiaru (siły, kierunku) m.in. od lokalizacji geograficznej urbiny (wysokość n.p.m., własności fizyczne podłoża ip.) [6],[7],[8],[13]. W konekście oceny przygoowywanych dla porzeb energeyki wiarowej prognoz, nie bez znaczenia pozosaje akże fak sosowania różnorodnych podejść do opracowywanych meod prognozowania, przez co pojawiają się różnorodne (częso nieporównywalne) kryeria oceny meod i ich wyników. Warunkiem koniecznym dla opracowania możliwie dokładnych modeli prognoz jes dysponowanie, poza danymi odnoszącymi się do zmiennych opisujących cechy zasobu wiaru, akże kompleksową i pełną informacją na ema urbin wchodzących w skład farmy wiarowej. Najważniejsze zmienne charakeryzujące urbinę wiarową o m.in. jej moc czynna wyjściowa, ką usawienia łopa wirnika, jego powierzchnia omiaania, sprawność generaora oraz wysokość wieży. Oprócz powyższych isone jes również posiadanie charakerysyk poboru energii przez dany model urbiny dla porzeb własnych wraz z warunkami, przy kórych en pobór nasępuje [17]. Wykorzysanie danych o urbinie w procesie wsępnej obróbki danych daje gwarancję, że przy konsruowaniu modeli wykorzysywane będą wyłącznie dane, kóre nie są losowo zaburzane przez wahania mocy (czynnej i biernej) w urbinie [8],[10]. Celem przeprowadzonych i prezenowanych w arykule analiz było opracowanie możliwie skuecznego (obarczonego niskim błędem prognozy) modelu prognozowania dla urbin wiarowych. W arykule zaprezenowano prognozy o horyzoncie jednogodzinnym, ze względu na wykorzysanie meody koreky błędem, kóra jes najskueczniejsza przy akich założeniach. Naomias zasosowanie modelu bez koreky pozwala na prognozowanie na aki horyzon na jaki posiadane są dane pogodowe doyczące siły wiaru. Zmienna a jes główną zmienną objaśniającą w proponowanym rozwiązaniu.
Sr. 62 Rynek Energii Nr 2(111) - 2014 Kolejna sekcja arykułu przedsawia charakerysykę wykorzysanych w badaniach danych z generacji wiarowej, nasępnie omówiona jes zasosowana meoda prognozowania i orzymane wyniki. 2. CHARAKTERYSTYKA DANYCH Dane wykorzysane w badaniu pochodzą z farmy wiarowej zlokalizowanej w Polsce. W analizie wykorzysano dane charakeryzujące pracę 19 losowo wybranych urbin, każda o mocy 2000 kw. Turbiny opisano za pomocą rzech zmiennych: dokładnej day odczyu, siły wiaru (m/s) i mocy urbiny (kw). Warość wyróżnionych zmiennych odczyywana była co godzinę w okresie od 1 czerwca 2012 do 17 luego 2013, co przekłada się na łączną liczbę 6288 odczyów (262 dni po 24 godziny). Należy podkreślić, że w rakcie analizy danych zidenyfikowano warości puse. Średnio, pojedyncza urbina posiadała 11,42% pusych warości odczyów. Minimalny procen braków na poziomie 10,67% posiadała urbina oznaczona w badaniu numerem 6, naomias maksymalny poziom braków.j. 17,14% znajdował się w odczyach urbiny nr 13. Ze względu na dużą zmienność danych, uzupełnianie braków meodami saysycznymi zaburzałoby isonie rzeczywise warości zmiennej. Przełożyłoby się o na obciążenie modelu i w rezulacie duże błędy prognoz. W związku z powyższym braki w danych były pomijane w rakcie analizy. Między odczyami badanych urbin zaobserwowane isone zależność między danymi, kóre wynikały głównie z podobnych warunków zewnęrznych oddziaływujących na urbiny. Na przykład, dla parameru siła wiaru zaobserwowano dużą wzajemną zależność pomiędzy odczyami ej zmiennej dla poszczególnych urbin. Minimalna korelacja między siłą wiaru urbin wynosiła 0,89, przy czym średnio kszałowała się na ona na poziomie 0,94. Oznacza o, że wszyskie badane urbiny miały podobne warunki wierzne. Zmienna a wykazywała akże isoną auokorelację do poziomu czerech opóźnień, co sugerowało możliwość przygoowania modeli auoregresyjnych siły wiaru skuecznych w horyzoncie czerech kolejnych godzin. Wysoką zależność pomiędzy urbinami dosrzeżono akże dla danych charakeryzujących moc każdej urbiny [kw]. Minimalna korelacja wyniosła 0,87, z kolei średnia korelacja kszałowała się na poziomie 0,92. Innymi słowy dzięki podobnym warunkom zewnęrznym, wszyskie urbiny miały podobny przebieg produkcji energii. Korelacje e są jednak słabsze niż w przypadku wiaru, co jes spowodowane różnymi, niezależnymi dla każdej urbiny, zaburzeniami związanymi z produkcją (np. wyłączenia echniczne). Ze względu na fak wysępowania wspomnianych różnic przyjęo, że prognozowanie dla każdej urbiny będzie przeprowadzane osobno. Należy zaznaczyć, że dane doyczące mocy urbiny nie były zapisane jako warości wynikające z produkcji urbiny wiarowej. Warość mocy była pomniejszona o sray własne urbiny związane m.in. z oświeleniem, zmianą pozycji gondoli, energią porzebną do wyhamowania śmigieł wiaraka, ip. Sray e w rzeczywisości są bardzo rudne do przewidzenia i urudniają budowanie skuecznych modeli prognosycznych dla urbin. 3. METODYKA PROGNOZOWANIA W badaniach zasosowano i zweryfikowano wiele podejść do analizy danych produkcyjnych, m.in. przeprowadzono analizę szeregu czasowego i jego zmienności, zbadano modele dla średniej ruchomej, modele klasy ARMA opare na auoregresji (pierwszego i drugiego rzędu) i średniej ruchomej, wygładzanie wykładnicze Winersa, modele klasy VAR i GARCH (odporne na zmiany wariancji prognozowanej produkcji z urbin wiarowych). Niesey każde z ych podejść okazało się nieefekywne ze względu na fak, że charakeryzowało się bardzo dużym średnim błędem kwadraowym prognozy. Błędy e wynikały z dużej zmienności wiaru w ciągu doby, kórego warości wykazują isoną auokorelacje z mocą wiaraka do maksymalnie 4 lub 5 opóźnień. W kolejnym eapie ocenie poddano meody regresji nieliniowej, gdzie modele budowane były w oparciu o funkcję logisyczną. Niesey, ze względu na liczne warości produkcji energii, kóre isonie odchylają się od ypowych przebiegów nie dały one zadowalających rezulaów. Odchylenia e powodowane były głównie zużyciem własnym urbiny lub wyłączeniami echnicznymi bądź awaryjnymi. Wspomniane warości zaburzały posać modelu i powodowały obciążenie prognoz. Ponado samo wykorzysanie funkcji logisycznej nie okazało się być rozwiązaniem skuecznym ponieważ nie dopasowuje się ona dobrze do danych realnych produkcji energii, nawe gdy pomija się dane zaburzone w sposób opisany wcześniej. Wprawdzie, ypowy przebieg produkcji energii w zależności od siły wiaru był silnie zbliżony do krzywej funkcji logisycznej, o nie pokrywał się z nią w sposób idealny. Na końcowym eapie badań zasosowano podejście opare o wcześniej przygoowane charakerysyki produkcji urbin w zależności od siły wiaru. Dla każdej urbiny opracowano jej własną charakerysykę według meody przedsawionej w dalszej części ej sekcji. Zdecydowano się nie wykorzysywać charakerysyk podanych przez producena ze względu na fak, że niekóre urbiny cechowały się wysoką roz-
Nr 2(111) - 2014 Rynek Energii Sr. 63 bieżnością między rzeczywisą produkcją energii, a ą wynikającą z charakerysyki. Na rys. 1 przedsawiono zesawienie realnej produkcji jednej z urbin z jej charakerysyką przygoowaną przez producena. Można zauważyć, że warości eoreyczne znajdują się poniżej warości realnych produkcji. Rozbieżności e wynikają głównie z czynników amosferycznych, ale akże z cech fizycznych erenu, na kórym urbinę zlokalizowano. 3. Dane uczące poddano zabiegowi oczyszczania z warości skrajnie odsających. W ym wypadku pod ym pojęciem rozumie się warości produkcji, kóre były isonie zby niskie dla danej siły wiaru. Czynność a pozwoliła na przygoowanie danych bezpośrednio pod budowę modelu prognosycznego. Była akże niezbędna celem usunięcia odczyów zaniżonych o znaczną konsumpcje własną urbiny. Oczyszczenie danych przebiegało nasępująco: 1) na danych zbudowano nieliniowy model regresji wykorzysujący funkcję logisyczną, 2) z orzymanego modelu wyliczono warości prognozowane oraz warości bezwzględnego błędu prognozy, 3) z danych usunięo odczyy, kórych warości błędu prognozy były większe od sumy średniego błędu prognozy i odchylenia sandardowego błędu prognozy. Efek działania ego modelu zaprezenowano na rys. 2. Rys. 1. Zesawianie realnej produkcji urbiny nr 7 z charakerysyką produkcji podaną przez producena Meodyka esymacji prognoz dla każdej z urbin wiarowych będąca wynikiem przeprowadzonych badań składa się z nasępujących kroków: 1. Oczyszczenie danych: a. Z danych dla urbiny usunięo wszyskie warości produkcji, dla kórych siła wiaru nie przekraczała 2 m/s. Decyzję podjęo po analizie charakerysyki urbiny przygoowanej przez jej producena, zgodnie z kórą urbina rozpoczyna pracę przy sile wiaru co najmniej 3m/s. Błąd spowodowany ym zabiegiem był nieisony, a bardzo niskie i ujemne warości produkcji nie powodowały obciążenia esymowanych modeli. b. Przy esymowaniu modelu pomija się braki danych. Uzupełnianie braków meodami saysycznymi było niemożliwe ze względu na dużą zmienność danych. Powodowałoby o obciążenie końcowego modelu prognosycznego. 2. Dane podzielono w sosunku 70/30, gdzie 70% odczyów sanowiło dane uczące, służące do budowania modelu, a 30% posłużyło do weryfikacji modelu. Rys. 2. Efek działania pomocniczego modelu oczyszczającego dane ze skrajnie odsających Na podsawie ak oczyszczonych danych zbudowano model lokalny Hellwiga, gdzie okno lokalnego wyznaczania paramerów zbudowano w oparciu o pięć warości zmiennej objaśniającej. Okno ej wielkości dało najlepsze wyniki w przypadku ego badania. Dzięki emu uzyskano paramery modelu lokalnego przypisane do konkrenych warości siły wiaru. 4. Zasosowanie modelu Hellwiga polegało na przyporządkowaniu paramerów modelu lokalnego do siły wiaru w danych esujących, a nasępnie wyliczeniu za ich pomocą prognozy, zgodnie ze wzorem y v b1 b0 (1) gdzie: y - warość prognozy, v - siła wiaru, b - paramer modelu lokalnego dla danej siły wiaru, b - paramer wyrazu wolnego dla danej siły wiaru w modelu lokalnym. 5. Osanim eapem było wyznaczenie błędów prognozy dla każdego odczyu w danych esujących i obliczenie średniego błędu kwadraowego wraz z błędem względnym dla każdej urbiny. Wynik prognozy dla wybranej urbiny zaprezenowano na rys. 3. Wzór (2) wykorzysano do obliczenia średniego błędu kwadraowego, naomias wzór (3) do
Sr. 64 Rynek Energii Nr 2(111) - 2014 wyznaczania średniego względnego błędu kwadraowego SBK y y n SBK V y 2 (2) (3) gdzie: Gdzie: y - empiryczna warość produkcji energii, y - prognozowana warość produkcji energii, y - średnia prognozowana warość produkcji energii, n - liczebność prognoz. Rys. 3. Warości empiryczne produkcji i warości prognozy dla urbiny 1 4. WYNIKI PROGNOZOWANIA Jakość wyników prognozy uzyskanych dla opracowanego modelu prognosycznego dla każdej z badanych urbin zaprezenowano w abeli 1. Można zauważyć, że prognozując za pomocą zaproponowanego podejścia mylimy się średnio o 17,23%. Najmniejsza uzyskana warość względna błędu prognozy o 12,35% dla urbiny pierwszej, a największa o 30,13% dla urbiny dwunasej. Znaczące warości błędów wynikają przede wszyskim z dużej ilości danych odsających od ypowej produkcji w ramach danych esujących (np. w wyniku wyłączeń echnicznych). Przykładowy wykres zależności mocy urbiny od siły wiaru z zaznaczonymi warościami nieypowymi zaprezenowany jes na rys. 4. Rys. 4. Silnie odsające warości empiryczne w danych esujących jakość modelu Zaburzenia e można podzielić na dwie kaegorie: 1. błąd, dla kórego możliwe jes opracowanie modelu korygującego z wykorzysaniem danych produkcyjnych lub analizy błędu w czasie, 2. losowy błąd, kórego nie można modelować. Modelowanie błędu możliwe jes dzięki szeregowaniu silnych błędów prognozy w ciągi 4- lub 5-godzinowe. Po wykryciu wysokiego błędu możliwa jes koreka modelu na kolejne 3-4 warości (godziny). Tabela 1. Wyniki prognozowania produkcji dla każdej z badanych urbin i warość średnia błędu dla wszyskich urbin Turbina 1 2 3 4 5 SBK 62,59 74,34 75,85 67,64 107,05 V 12,35% 13,52% 15,25% 14,47% 21,28% Turbina 6 7 8 9 10 SBK 80,20 133,33 82,97 77,44 98,75 V 15,19% 27,21% 16,72% 15,43% 20,32% Turbina 11 12 13 14 15 SBK 79,16 139,03 61,10 94,12 63,74 V 17,84% 30,13% 13,68% 18,69% 12,77% Turbina 16 17 18 19 Średnia SBK 95,68 73,86 99,89 73,38 86,32 V 18,64% 15,30% 16,53% 12,06% 17,23% Na rys. 5 można zauważyć, że część skrajnych wyników posawionej prognozy układa się w funkcję liniową, kóra przebiega pod głównym wykresem o kszałcie logisycznym. W związku z powyższym zasosowano model koreky błędem. Model en akywowany jes wysokim błędem poprzedniej prognozy. W przypadku esowanej urbiny nr 5 błąd prognozy spadł o 1,05 punku procenowego przy zasosowaniu wspomnianego podejścia.
Nr 2(111) - 2014 Rynek Energii Sr. 65 Rys. 5. Obserwacje nieypowe - układające się w funkcję liniową Dużo lepsze wyniki orzymano jednak po zasosowaniu podejścia naiwnego, gdzie każda nowa prognoza była korygowana o błąd poprzedniej. Dzięki emu uzyskano poprawę błędu prognozy dla urbiny nr 5 o 5,47 punku procenowego. W celu rozwinięcia modelu naiwnego dodano paramer skalujący wpływ poprzedniego błędu, kóry za pomocą meod opymalizacyjnych, zosał usalony na poziomie 0,5405 poprzedniego błędu prognozy. Przy akim podejściu poprawa względnego błędu prognozy wyniosła 6,31 punku procenowego. Zauważono, że ak silna poprawa jes możliwa ylko wówczas, gdy począkowy błąd prognozy kszałował się na poziomie 20%, ak jak miało o miejsce w przypadku urbiny nr 5. W innych przypadkach, np. dla urbiny nr 1, kórej błąd prognozy wyniósł 12,35%, zasosowanie akich meod pozwoliło na skorygowanie błędu prognozy o około 1 punk procenowy. Wynika o z faku, że dla urbiny nr 1 isniało niewiele okresów, w kórych pojawiły się nieypowe warości produkcji dla zadanej siły wiaru. Zasosowanie podejścia naiwnego pozwoliło na zmniejszenie względnego błędu prognozy średnio o 3,18 punku procenowego. Dalsze prace polegać będą na zasosowaniu doskonalszych meod pozwalających na obniżenie błędu prognozy. Tabela 2. Błędy prognozy dla modelu podsawowego i rozszerzonego o korekę błędem Model podsawowy Model koreky błędem Różnica SBK 86,32 75,43 10,90 V 17,23% 14,06% 3,18% Łączenie meody koreky błędem z modelem akywującym dodakowy model linowy w przypadku dużego błędu poprzedniej prognozy nie przyniosło poprawy na poziomie sumy popraw z obu meod. Przykładowo dla urbiny nr 5 poprawa wyniosła ylko 4,51 punków procenowych i jes isonie mniejsza od zasosowania samej meody naiwnej. Waro zauważyć, że począkowy wysoki błąd względny prognozy dla urbiny nr 5 na poziomie 21,28% wynika w znaczniej części z nieypowych warości produkcji mocy dla charakerysyki wiaru. Dla urbiny nr 5 odrzucenie warości zaznaczonych na czerwono na wykresie z rysunku 4 powodowało spadek błędu o 8,98 punków procenowych, czyli do poziomu 12,30%. Jes o poziom błędu, kóry obrazuje rafność prognoz przy pracy urbiny, kóra nie jes zaburzana akimi czynnikami, jak np. wyłączenia echniczne. 5. POWIĄZANE PRACE Generacja wiarowa ma króko i długookresowy wpływ na funkcjonowanie sysemów elekroenergeycznych. Jes o związane m.in. z koniecznością bilansowania sysemu w horyzoncie godzinowym oraz ze zdolnością energeyki wiarowej do zaspokojenia obciążenia szczyowego sieci. Tym samym za podsawowe cele podejmowanych prób esymacji wielkości ej generacji należy uważać opymalizację rozdziału obciążeń i bilansowania sysemu, a akże eksploaację i efekywne zarządzanie siecią. Z kolei precyzyjne poznanie maksymalnego błędu prognozy daje możliwość wyznaczenia poziomu rezerwy mocy [4]. Z pomocą przy oszacowaniu wielkości generacji przychodzą różnego rodzaju podejścia i modele prognosyczne. W pierwszej kolejności można rozważać meody naiwne, gdzie warość z poprzedniego okresu jes przydzielana dla okresu kolejnego. W prakyce wykorzysywane są również zw. modele zachowawcze, kóre swoje działanie opierają na założeniu, że prognozowana moc generacji w przyszłym okresie (+k) odpowiada wielkości mocy mierzonej w momencie opracowania prognozy dla czasu [20]. Ware uwagi są akże podejścia związane z modelami fizycznymi, saysycznymi oraz hybrydowymi [2]. Modele fizyczne polegają na konwersji mocy srugi powierza na moc elekryczną, ym samym uwzględniając akie paramery, jak warunki wierzności, dynamikę zmian ych warunków, wysokość zamonowania gondoli urbiny czy efek przesłonięcia maszów siłowni wiarowych. Błędy predykcji w ych modelach są opymalizowane przy użyciu akich echnik jak m.in. wygładzanie wykładnicze, model liniowy Hola, model Winersa czy regresji liniowej [14],[17]. Modele saysyczne opierają się na analizie saysycznej szeregów czasowych z przeszłości przy opisywaniu związków zachodzących pomiędzy esymowanymi paramerami wiaru (np. wykorzysując prognozy NWP ang. Numerical Weaher Predicion)
Sr. 66 Rynek Energii Nr 2(111) - 2014 i mocy wyjściowej urbin. W ym podejściu korzysa się m.in. z akich modeli, jak filr Kalmana, modele ARMA, GARCH, meoda Boxa-Jenkinsa [2],[11],[14]. Dodakowo, używane są akże modele ypu black-box implemenujące m.in. szuczne sieci neuronowe oraz modele ypu grey-box, kóre opierają swoje działanie o wcześniejsze doświadczenia, w ym dobowe hisoryczne wahania oraz właściwości wiaru, kóre mogą być pobierane za pomocą sysemów SCADA. Z kolei modele hybrydowe łączą oba wspomniane podejścia wykorzysując w prognozowaniu różnego rodzaju dane m.in. zależność wielkości mocy od siły wiaru, charakerysykę mocy producena, informacje o planowanych wyłączeniach z pracy urbin wiarowych oraz prognozy meeorologiczne (odnośnie siły i kierunku wiaru, ciśnienia amosferycznego i emperaury powierza) [2],[20]. Najnowsze podejścia do prognozowania generacji energii elekrycznej w urbinach wiarowych dla krókiego horyzonu, bo aki jes najbardziej ineresujący z punku widzenia ineresariuszy, o m.in. kombinacja sieci neuronowej i logiki rozmyej w modelu saysycznym z wykorzysaniem meody NWP dla oceny wiarygodności prognoz wierzności oraz oszacowania generacji energii elekrycznej na podsawie rzech radialnych szucznych sieciach neuronowych [1], sieci neuronowe zasilane wyłącznie hisorycznymi danymi doyczącymi produkcji (wykorzysanie meody NWP jako punku odniesienia dla szacowanych warości prognoz [10]), radialne szuczne sieci neuronowe, w kórych na wejściu korzysa się z prognoz numerycznych (m.in. siła, prędkość, kierunek wiaru dla każdej godziny prognozowania) oraz danych hisorycznych [7], klasyfikaor LS-SVM, kóry jes modelem wielu zmiennych, a za punk odniesienia przyjmuje czery klasyczne modele ARIMA oraz szuczne sieci neuronowe [13], połączenie modeli ARIMA z meodą SVM, w kórym predefiniowane mogą być wzorce błędów przygoowane na podsawie cech saysycznych z modeli NWP. Na wejściu wykorzysywana jes esymacja generacji w urbinie pozyskiwana za pomocą modelu ARIMA. W dalszej części e warości używane są do koreky danych pochodzących z modeli NWP, kóre wraz z surowymi danymi sanowią wejście dla meody SVM [8], hybrydowy model ypu szara skrzynka, kóry powsaje z połączenia modelu radialnych szucznych sieci neuronowych oraz klasyfikaora LS-SVM [3]. 6. PODSUMOWANIE Podsumowując przeprowadzone badania, należy zauważyć, że możliwe jes prognozowanie produkcji z urbin wiarowych ze średnim błędem względnym na poziomie 15,25% (lub mniejszym przy założeniu opracowania doskonalszych meod koreky błędem). Wymagane do ego są jednak znaczące ilości danych hisorycznych i znajomość odpowiednich meod ich oczyszczania z warości skrajnie odsających od ypowej produkcji energii dla danej urbiny. Możliwa jes akże poprawa błędu prognozy o kilka punków procenowych przy zasosowaniu naiwnych meod oparych o korekę błędem. Co więcej, zasosowanie różnych meod poprawy prognozy sprawia, że osaecznie względny błąd prognozy może oscylować wokół 12%. Dzieje się ak, ponieważ odchylenia od prognozy układają się w 4- lub 5-godzinne ciągi o liniowej charakerysyce, kóre mogą być korygowane odpowiednimi meodami (np. meody auoregresyjne zasosowane na błędzie prognozy). Błędy e powodowane są głównie przez konsumpcję własną urbiny, kóra nie jes zwykle dodakowo rejesrowana. Tym samym posiadanie dokładnego profilu zachowania się urbiny w zależności od warunków amosferycznych pozwoliłoby znacznie obniżyć błąd prognozy. Warunkami idealnymi dla przygoowania prognoz dla urbin wiarowych byłoby posiadanie, oprócz danych zaprezenowanych w badaniu, dokładnych danych pogodowych, zebranych najlepiej przez insrumeny przy danej farmie wiarowej. Kluczowe byłoby np. posiadanie szczegółowych danych o emperaurze powierza i jego wilgoności. Waro byłoby akże posiadać dane o zw. produkcji czysej danej urbiny, kóra nie jes pomniejszona o sray własne, a akże dokładnego profilu zachowania się urbiny wobec zmieniających się warunków zewnęrznych. Na koniec waro akże dodać, że w przedsawionym opracowaniu wszyskie prognozy wykorzysują realne warości siły wiaru, kóre były gromadzone osobno przez każdą z 19 urbin. W momencie wykorzysania do prognoz produkcji prognoz siły wiaru należy opracować dokładny model prognozowania wiaru, możliwie oddzielnie dla każdej farmy wiarowej (a czasem i urbiny w zależności od ich oddalenia od siebie), ze względu na różnice, chociażby w warunkach erenu. W ym celu możliwe jes wykorzysanie źródeł inerneowych do pobierania prognoz, z zaznaczeniem, że muszą być o źródła rzeelne i zlokalizowane bardzo blisko badanych farm wiarowych.
Nr 2(111) - 2014 Rynek Energii Sr. 67 UWAGI Niniejszy arykuł sanowi publikację wyników badań projeku Zbudowanie prooypu innowacyjnego sysemu prognozowania poziomu zużycia i produkcji energii elekrycznej o nazwie "FuureEnergy Managemen Sysem" dofinansowanego ze środków Unii Europejskiej w ramach Programu Operacyjnego Innowacyjna Gospodarka (nr umowy: UDA- POIG.01.04.00-30-065/10-02, warość projeku: 9.957.022 zł, udział Unii Europejskiej: 5.647.005 zł, okres realizacji: 07.2011-03.2013). Fundusze Europejskie - dla rozwoju innowacyjnej gospodarki. LITERATURA [1] Bandzul, W. : Energeyka wiarowa w polsce. wpływ elekrowni wiarowych na niezawodność pracy sysemu elekroenergeycznego, 2005, ELEKTROENERGETYKA Nr 3/2005 (54). [2] Giebel G., Brownsword R., Karinioakis G., Denhard M., Draxl C.: The sae-of-he-ar in shor-erm predicion of wind power: a lieraure overview, 2 nd ediion. 2011, ANEMOS.plus [3] Hearps, P., i McConnell, D.: Renewable energy echnology cos review. Melbourne Energy Insiue, 2011, p.57 [4] van Hulle F.: Inegracja energeyki wiarowej z sysemami energeycznymi Europy. Energia wiarowa i inegracja sieci, marzec 2006, European Wind Energy Associaion [5] Karkoszka K.: Meody prognozowania wielkości mocy elekrycznej z farm wiarowych dla porzeb bilansowania oraz prowadzenia ruchu krajowego sysemu elekroenergeycznego. 2010, Zeszyy Naukowe Insyuu Gospodarki Surowcami Mineralnymi i Energią Polskiej Akademii Nauk nr 78 [6] Kazi, S.: Adapaion of energy producion o forecas values using exernal sorage, 2011, Aca Universiais Sapieniae Elecrical and Mechanical Engineering, 3 (2011) 51-60. [7] Kuczma, P.: Wahania napięcia w sieci rozdzielczej jako wynik oddziaływań odbiorników niespokojnych oraz generacji rozproszonej, 2009, Prace Insyuu Elekroechniki, zeszy 243. [8] Markowicz, K.: Pomiary oraz analiza pola z wiaru dla porzeb energeycznych, 2011, dosęp: hp://www.igf.fuw.edu.pl/meeo/sacja/wyklady/energiaodnawialna/wiar/ [9] Moneiro C., Bessa R, Miranda,V., Boerud A., Wang J., Conzelmann G.: Wind power forecasing: Saeof-he-ar, 2009, Insiue for Sysems and Compuer Engineering of Poro, Decision and Informaion Sciences Division, Argonne Naional. [10] Pinson, P.: Wind energy: Forecasing challenges for is operaional managemen, 2013, Saisical Science, Special Issue on Mahemaics of Plane Earh, Volume 28, Number 4, p. 564-585. [11] Piorowski, P., Gryszpanowicz, K.: Analiza saysyczna oraz prognozy godzinowej produkcji energii przez elekrownię wiarową z horyzonem 1 godziny, 2012, Elekro-info, nr 3, s. 90-95. [12] Popławski T., Dąsal K., Łyp J.: Problemayka prognozowania mocy i energii pozyskiwanych z wiaru. 2009, Poliyka Energeyczna, Tom 12, Zeszy 2/2, PL ISSN 1429-6675 [13] Popławski, T., Szeląg, P., Całus, D., Głowiński, C., i Adamowicz, Ł.: Użycie meod grupowania do prognozowania generacji wiarowej, 2013, Rynek Energii nr 5/2013. [14] Prondzyński Z., Rubanowicz T.: Zryczałowana usługa operaora handlowo-echnicznego na porzeby rozwoju energeyki wiarowej w Polsce, 2013, Konferencja: Akualne problemy w elekroenergeyce, Juraa, 12 14 czerwca 2013, Kwaralnik Naukowy Energeyków Aca Energeica [15] Qiang Wang, Kin Keung Lai, Dongxiao Niu, Qian Zhang: A Mulivariae Wind Power Forecasing Model Based on LS-SVM. 2012, Fifh Inernaional Join Conference on Compuaional Sciences and Opimizaion (CSO), s. 127-131 [16] Qu G., Mei J., He D.: Shor-erm wind power forecasing based on numerical weaher predicion adjusmen. 2013, 11h IEEE Inernaional Conference on Indusrial Informaics (INDIN), s. 453-457 [17] Rubanowicz T.: Meody predykcji produkcji mocy parku wiarowego. Zeszyy Naukowe Wydziału Elekroechniki i Auomayki Poliechniki Gdańskiej nr 25, 2008, XVIII Seminarium Zasosowanie Kompuerów w Nauce i Technice [18] Shi J., Ding, Z., Lee W-J., Yang, Y., Liu Y., Zhang, M.: Hybrid Forecasing Model for Very-Shor Term Wind Power Forecasing Based on Grey Relaional Analysis and Wind Speed Disribuion Feaures. 2013, IEEE Transacions on Smar Grid, vol. PP, no. 99, s. 1-6
Sr. 68 Rynek Energii Nr 2(111) - 2014 [19] Sideraos G., Haziargyriou N. D.: An advanced saisical mehod for wind power forecasing, 2007, IEEE Transacions on Power Sysems, vol. 22, no. 1, s. 258-265 [20] Soman S., Zareipour H., Malik O., Mandal P.: A review of wind power and wind speed forecasing mehods wih differen ime horizons. 42 nd Norh American Power Symposium, 2010, Arlingon, Texas, USA [21] Togelou A., Sideraos G., Haziargyriou N.D.: Wind Power Forecasing in he Absence of Hisorical Daa, 2012, IEEE Transacions on Susainable Energy, vol. 3, no.3, s. 416-421 [22] Venayagamoorhy G. K., Rohrig K., Erlich, I.: One Sep Ahead. Shor-Term Wind Power Forecasing and Inelligen Predicive Conrol Based on Daa Analyics. 2012. IEEE Power & Energy Magazine, vol. 10, no.5, s.70-78 FORECASTING WIND POWER GENERATION USING LOCAL METHODS AND THE NONLINEAR REGRESSION Key words: energy producion forecasing, wind generaion Summary. The Energy Policy for Poland saes ha by 2030 abou 7% of power generaion in he counry will have o be provided from he wind. This aricle describes challenges associaed wih forecasing he energy generaion from his energy source. The purpose is o presen he mehodology, ogeher wih forecasing resuls, which innovaively combined hree mehods of forecasing. In he firs sep of he mehodology, we use nonlinear regression based on he logisic funcion o consruc he profile of urbine energy generaion. The second sage is based on he local regression ha conribues o he main forecasing model. In he las sep he error correcion mehod was used o minimize he forecas errors resuling from he abnormal behavior of he urbine. The mehodology presened in he aricle is a resul of Fuure Energy Managemen Sysem Projec, in which among ohers, research using daa of a large wind farm locaed in wesern Poland was performed. In addiion he aricle discusses he challenges of he variabiliy of he weaher and relaed wind urbine energy consumpion, which is ofen difficul o predic due o he lack of urbine profiles. Tymoeusz Hossa, mgr, dokoran Sudiów Dziennych Uniwersyeu Ekonomicznego w Poznaniu, Wydziału Informayki i Gospodarki Elekronicznej, adres e-mail: ymoeusz.hossa@kie.ue.poznan.pl. Zaineresowania badawcze: ineligenne sieci energeyczne, prognozowanie zaporzebowania prosumenów na energie, analiza big daa. Wiolea Sokołowska, mgr, dokoranka Sudiów Dziennych Uniwersyeu Ekonomicznego w Poznaniu, Wydziału Informayki i Gospodarki Elekronicznej, adres e-mail: wiolea.sokolowska@kie.ue.poznan.pl, Zaineresowania badawcze: ineligenne sieci elekroenergeyczne, prognozowanie w energeyce, Big Daa, przewarzanie i analiza danych w sysemach ypu Business Inelligence. Karol Fabisz, mgr, dokoran Sudiów Dziennych Uniwersyeu Ekonomicznego w Poznaniu, Wydziału Informayki i Gospodarki Elekronicznej, adres e-mail: karol.fabisz@kie.ue.poznan.pl. Zaineresowania badawcze: profilowanie prosumenów w mikrosieciach energeycznych, ineligenne sieci energeyczne. Agaa Filipowska jes dokorem ekonomii i informayki, Adiunkem na Uniwersyecie Ekonomicznym w Poznaniu i kierownikiem Nex Generaion Inerne Lab działającego w Kaedrze Informayki Ekonomicznej Uniwersyeu Ekonomicznego w Poznaniu. Kierowała zadaniami projeków 6. i 7. Programu Ramowego UE, innych programów badawczych UE oraz projeków NCBiR. Adres e-mail: agaa.filipowska@kie.ue.poznan.pl. Zaineresowania badawcze: eksrakcja i inegracja informacji, profilowanie, wnioskowanie.