Method for normalizing initial data of wind measurements in complex terrain areas

Capa

Citar

Texto integral

Resumo

We set out to develop a method for normalizing the initial data of wind measurements obtained from meteorological stations for the terrain conditions of the wind turbine or power plant location. To solve the problem, we propose a numerical solution of a system of differential equations for the conditions of a turbulent environment in the lower surface layer of atmosphere at a height of 1000 m and less from the earth surface. The analogous object is a 300 kW Kamai wind turbine installed in Ust-Kamchatsk, Russian Federation. We use a simplified system of equations, which accounts for the terrain to determine the wind velocity at the wind power plant site. Satellite maps and well-known tables of reduced landscape roughness are used to determine the terrain. The feasibility of this method, as well as the effect of initial data accuracy on the forecast output of the wind power plant are assessed using the example of wind resources in Ossora, Kamchatka Peninsula, Russian Federation. The proposed approach reduces the error of the subsequent forecast for the wind power plant output to 15%. Moreover, the proposed method requires no long-term observations of daily and annual changes in wind velocity, which is of particular importance for newly built wind power plants. The meteorological network provides data relevant for the region and describes its characteristics as a whole, thus complicating the determination of the resource at a specific point of the region with a time interval of up to 3 h. The proposed solution concerns both the design and operation of a wind power plant by allowing the site distribution of wind velocity to be obtained even when data for a larger region are used.

Sobre autores

N. Alikhodzhina

National Research University “Moscow Power Engineering Institute”

Email: alikhojinanv@mpei.ru

D. Titov

National Research University “Moscow Power Engineering Institute”

Email: titovda@mpei.ru

M. Tyagunov

National Research University “Moscow Power Engineering Institute”

Email: tiagunovmg@mpei.ru

Bibliografia

  1. Дерюгина Г.В., Игнатьев Е.В., Метт В.Д. Апробация программного комплекса «Wind Turbine» // Вестник Московского энергетического института. 2023. № 4. С. 80–90. https://doi.org/10.24160/1993-6982-2023-4-80-90. EDN: IUCQQE.
  2. Mortensen N.G., Landberg L., Troen I., Lundtang Petersen E. Wind Atlas analysis and application program (WAsP) // User’s guide. Risø National Laboratory, 1993. Vol. 2. No. 666. 134 р.
  3. Зубарев В.В., Минин В.А., Степанов И.Р. Использование энергии ветра в районах Севера: состояние, условия эффективности, перспективы: монография. Л.: Наука, 1989. 208 с. EDN: AHDKIG.
  4. Николаев В.Г., Ганага С.В., Кудряшов Ю.И. Национальный кадастр ветроэнергетических ресурсов России и методические основы их определения. М.: Атмограф, 2008. 581 с. EDN: QTFSXD.
  5. Zhang Yagang, Kong Xue, Wang Jingchao, Wang Hui, Cheng Xiaodan. Wind power forecasting system with data enhancement and algorithm improvement // Renewable & Sustainable Energy Reviews. 2024. Vol. 196. Р. 114349. https://doi.org/10.1016/j.rser.2024.114349.
  6. Karasu S., Altan A., Saraç Z., Hacioglu R. Prediction of wind speed with non-linear autoregressive (NAR) neural networks // Ağları ile Tahmini: 25th Signal Processing and Communications Applications Conference (SIU) (Antalya, 15–18 May 2017). Antalya: IEEE, 2017. Р. 128703. https://doi.org/10.1109/SIU.2017.7960507.
  7. Алиходжина Н.В., Дерюгина Г.В., Крупин Г.В. Суточный прогноз выработки ВЭС по данным наземной МС // Фёдоровские чтения – 2019 (г. Москва, 20–22 ноября 2019 г.). М.: МЭИ, 2019. С. 318–323. EDN: QVSESZ.
  8. Niu Xinsong, Wang Jiyang. A combined model based on data preprocessing strategy and multi-objective optimization algorithm for short-term wind speed forecasting // Applied Energy. 2019. Vol. 241. P. 519–539. https://doi.org/10.1016/j.apenergy.2019.03.097.
  9. Kariniotakis G.N., Stavrakakis G.S., Nogaret E.F. Wind power forecasting using advanced neural networks models // IEEE Transactions on Energy Conversion. 1996. Vol. 11. No. 4. P. 762–767. https://doi.org/10.1109/60.556376.
  10. Potter C.W., Negnevitsky M. Very short-term wind forecasting for Tasmanian power generation // IEEE Transactions on Power Systems. 2006. Vol. 21. No. 2. P. 965–972. https://doi.org/10.1109/TPWRS.2006.873421.
  11. Ribeiro M.H.D.M., Da Silva R.G., Moreno S., Mariani V.C. Efficient bootstrap stacking ensemble learning model applied to wind power generation forecasting // International Journal of Electrical Power & Energy Systems. 2022. Vol. 136. Р. 107712. https://doi.org/10.1016/j.ijepes.2021.107712.
  12. Jiang Zheyong, Che Jinxing, Wang Lina. Ultra-short-term wind speed forecasting based on EMD-VAR model and spatial correlation // Energy Conversion and Management. 2021. Т. 250. Iss. 1-2. Р. 114919. https://doi.org/10.1016/j.enconman.2021.114919.
  13. Дерюгина Г.В., Чернов Д.А., Тягунов М.Г., Алиходжина Н.В. Модели вертикального профиля ветра по данным ветроизмерительных комплексов полуострова Камчатка // Вестник Московского энергетического института. 2019. № 1. С. 35–42. https://doi.org/10.24160/1993-6982-2019-1-35-42. EDN: YWTSJV.
  14. Дерюгина Г.В., Игнатьев Е.В., Голубков У.Ф. Методика разработки модели краткосрочного прогнозирования скорости ветра и выработки ветроэлектрической установки // Новое в российской электроэнергетике. 2024. № 10. С. 6–21. EDN: DJKAPZ.
  15. Алиходжина Н.В., Тягунов М.Г., Шестопалова Т.А. Обзор существующих моделей и методов расчета основных характеристик ветра в определенной точке // Вестник Казанского государственного энергетического университета. 2024. Т. 16. № 3. С. 76–93. EDN: UXVION.
  16. Зубакин В.А. Краткосрочное прогнозирование выработки ветровой электростанции // Энергетическая политика. 2022. № 8. С. 20–27. https://doi.org/10.46920/2409-5516_2022_8174_20. EDN: VFNJCH.
  17. Соловьев Б.А., Гамисония Г.К. Методы прогнозирования мощности ветра для шельфовых ветроэлектростанций // Электротехнические и информационные комплексы и системы. 2022. Т. 18. № 3-4. С. 108–120. https://doi.org/10.17122/1999-5458-2022-18-3-4-108-120. EDN: VUQXCF.
  18. Lv Sheng-Xiang, Wang Lin. Deep learning combined wind speed forecasting with hybrid time series decomposition and multi-objective parameter optimization // Applied Energy. 2022. Vol. 311. Iss. 5. Р. 118674. https://doi.org/10.1016/j.apenergy.2022.118674. EDN: IIPCWS.
  19. Лайхтман Д.Л., Юдин М.И. Трансформация нижнего слоя воздуха под влиянием подстилающей поверхности// Доклад АН СССР. Л.: Гидрометеоиздат, 1953. Т. 93. № 2. С. 249–252.
  20. Орленко Л.Р. Строение планетарного пограничного слоя. Л.: Гидрометеоиздат, 1979. 270 с.
  21. Надежина Е.Д. К вопросу о влиянии скачка шероховатости подстилающей поверхности на режим турбулентного пограничного слоя // Труды Главной геофизической обсерватории им. А.И. Воейкова. 1970. Вып. 257. С. 109–116.
  22. Радикевич В.М. Трансформация динамических характеристик воздушного потока под влиянием изменения шероховатости подстилающей поверхности // Известия Академии наук СССР. Физика атмосферы и океана. 1971. Т. 7. № 12. С. 1241–1250.
  23. Дербенцева А.М. Эрозия и охрана почв. Владивосток: Дальневосточный университет, 2006. 85 с.

Arquivos suplementares

Arquivos suplementares
Ação
1. JATS XML

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».