Dự báo ngắn hạn công suất phát của tuabin gió sử dụng mạng nơron truyền thẳng
và
*
Article Sidebar
Full Text: 
PDF
Abstract
Due to current environmental problems and increasing energy demand, wind energy technologies have been extensively researched and developed. Accurate and fast short-term forecasting of wind turbine generating capacity is crucial for large-scale integration of wind power generation into the grid. However, the random nature of wind speeds makes forecasting a challenging task. The article proposes a predictive model using ANN (artificial neural network) model. Furthermore, the article compares and evaluates machine learning training models to improve the accuracy of prediction results. The proposed model has been trained and tested on data collected from a wind turbine installed at Hacom Hoa Binh - Bac Lieu wind farm with two forecast periods: a period of thirty minutes in 12 continuous hours and one-hour cycles for 24 consecutive hours. Experimental results show that the proposed model outperforms other models with low error and time saving.
Tóm tắt
Do các vấn đề môi trường toàn cầu ngày càng nóng lên và nhu cầu năng lượng ngày càng tăng, các công nghệ năng lượng gió đã được nghiên cứu và phát triển rộng rãi. Dự báo ngắn hạn công suất phát của tuabin gió chính xác và nhanh chóng là rất quan trọng để tích hợp quy mô lớn sản xuất điện gió vào lưới điện. Tuy nhiên, đặc điểm ngẫu nhiên của tốc độ gió khiến việc dự báo trở thành một nhiệm vụ đầy thách thức. Bài báo đề xuất mô hình dự báo được thực hiện bằng mô hình ANN (mạng nơron nhân tạo). Hơn nữa, bài báo nghiên cứu so sánh, đánh giá các mô hình huấn luyện máy học nhằm nâng cao độ chính xác của kết quả dự báo. Mô hình được đề xuất đã được huấn luyện và thử nghiệm trên dữ liệu thu thập được từ một tuabin gió được lắp đặt tại trang trại gió Hacom Hòa Bình – Bạc Liêu với hai khoảng thời gian dự báo: chu kỳ ba mươi phút trong 12 giờ liên tục và chu kỳ một giờ trong 24 giờ liên tục. Kết quả thử nghiệm chỉ ra rằng mô hình được đề xuất vượt trội so với các mô hình khác với sai số thấp và tiết kiệm thời gian.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
Tài liệu tham khảo
Alex. (2022, April 4). Global Wind Report 2022. Global Wind Energy Council. https://gwec.net/global-wind-report-2022/
Demolli, H., Dokuz, A. S., Ecemis, A., & Gokcek, M. (2019). Wind power forecasting based on daily wind speed data using machine learning algorithms. Energy Conversion and Management, 198, 111823. https://doi.org/10.1016/j.enconman.2019.111823
Dorotić, H., Ban, M., Pukšec, T., & Duić, N. (2020). Impact of wind penetration in electricity markets on optimal power-to-heat capacities in a local district heating system. Renewable and Sustainable Energy Reviews, 132, 110095. https://doi.org/10.1016/j.rser.2020.110095
ducnm12@gmail.com. (n.d.). The status of commercial operation acceptance (COD) of wind power plants as of 31 October 2021. Retrieved November 21, 2022, from https://en.evn.com.vn/d6/news/The-status-of-commercial-operation-acceptance-COD-of-wind-power-plants-as-of-31-October2021-66-142-2562.aspx
Dương*, L. Đ. (2019). A methodology for forecasting wind speed of wind power plants considering spatial and temporal correlations. Tạp Chí Khoa Học và Công Nghệ - Đại Học Đà Nẵng, 6–10. https://jst-ud.vn/jst-ud/article/view/2400
El-Ahmar, M. H., El-Sayed, A.-H. M., & Hemeida, A. M. (2017). Evaluation of factors affecting wind turbine output power. 2017 Nineteenth International Middle East Power Systems Conference (MEPCON), 1471–1476. https://doi.org/10.1109/MEPCON.2017.8301377
Erdem, E., & Shi, J. (2011). ARMA based approaches for forecasting the tuple of wind speed and direction. Applied Energy, 88(4), 1405–1414. https://doi.org/10.1016/j.apenergy.2010.10.031
Hu, Q., Zhang, R., & Zhou, Y. (2016). Transfer learning for short-term wind speed prediction with deep neural networks. Renewable Energy, 85, 83–95. https://doi.org/10.1016/j.renene.2015.06.034
Hu, Y.-L., & Chen, L. (2018). A nonlinear hybrid wind speed forecasting model using LSTM network, hysteretic ELM and Differential Evolution algorithm. Energy Conversion and Management, 173, 123–142. https://doi.org/10.1016/j.enconman.2018.07.070
Liu, H., Mi, X., & Li, Y. (2018). Wind speed forecasting method based on deep learning strategy using empirical wavelet transform, long short term memory neural network and Elman neural network. Energy Conversion and Management, 156, 498–514. https://doi.org/10.1016/j.enconman.2017.11.053
Lydia, M., Suresh Kumar, S., Immanuel Selvakumar, A., & Edwin Prem Kumar, G. (2016). Linear and non-linear autoregressive models for short-term wind speed forecasting. Energy Conversion and Management, 112, 115–124. https://doi.org/10.1016/j.enconman.2016.01.007
Masrur, H., Nimol, M., Faisal, M., & Mostafa, Sk. Md. G. (2016). Short term wind speed forecasting using Artificial Neural Network: A case study. 2016 International Conference on Innovations in Science, Engineering and Technology (ICISET), 1–5. https://doi.org/10.1109/ICISET.2016.7856485
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
Online N. lượng V. N. (n.d.). Phát triển nguồn điện trong Quy hoạch điện VIII và những thách thức trong lựa chọn | Tạp chí Năng lượng Việt Nam. Năng lượng Việt Nam Online. Retrieved November 15, 2022, from https://nangluongvietnam.vn/phat-trien-nguon-dien-trong-quy-hoach-dien-viii-va-nhung-thach-thuc-trong-lua-chon-24767.html
Outliers—Orange Visual Programming 3 documentation. (n.d.). Retrieved December 20, 2022, from https://orange3.readthedocs.io/projects/orange-visual-programming/en/latest/widgets/data/outliers.html
Pan, K., Qian, Z., & Chen, N. (2015). Probabilistic Short-Term Wind Power Forecasting Using Sparse Bayesian Learning and NWP. Mathematical Problems in Engineering, 2015, e785215. https://doi.org/10.1155/2015/785215
Peng, T., Zhou, J., Zhang, C., & Zheng, Y. (2017). Multi-step ahead wind speed forecasting using a hybrid model based on two-stage decomposition technique and AdaBoost-extreme learning machine. Energy Conversion and Management, 153, 589–602. https://doi.org/10.1016/j.enconman.2017.10.021
Sun, W., & Wang, Y. (2018). Short-term wind speed forecasting based on fast ensemble empirical mode decomposition, phase space reconstruction, sample entropy and improved back-propagation neural network. Energy Conversion and Management, 157, 1–12. https://doi.org/10.1016/j.enconman.2017.11.067
Wang, H. Z., Wang, G. B., Li, G. Q., Peng, J. C., & Liu, Y. T. (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
Yu, C., Li, Y., & Zhang, M. (2017). An improved Wavelet Transform using Singular Spectrum Analysis for wind speed forecasting based on Elman Neural Network. Energy Conversion and Management, 148, 895–904. https://doi.org/10.1016/j.enconman.2017.05.063
Zhao, X., Liu, J., Yu, D., & Chang, J. (2018). One-day-ahead probabilistic wind speed forecast based on optimized numerical weather prediction data. Energy Conversion and Management, 164, 560–569. https://doi.org/10.1016/j.enconman.2018.03.030
Zhu, S., Yuan, X., Xu, Z., Luo, X., & Zhang, H. (2019). Gaussian mixture model coupled recurrent neural networks for wind speed interval forecast. Energy Conversion and Management, 198, 111772. https://doi.org/10.1016/j.enconman.2019.06.083
Zjavka, L. (2015). Wind speed forecast correction models using polynomial neural networks. Renewable Energy, 83, 998–1006. https://doi.org/10.1016/j.renene.2015.04.054