Abstract

Celem pracy było opracowanie metody obliczeniowej oraz budowa narzędzia programowego do określenia produkcji mocy farmy wiatrowej na podstawie standardowej prognozy pogody z wyprzedzeniem jednej doby. W pracy przedstawiono rzeczywistą charakterystykę generacji mocy wytwórczej przemysłowych farm wiatrowych zależnej od zmiennych warunków wiatrowych. Analizując dane pomiarowe można znaleźć pewne zależności charakterystyczne. Wpływ na moc farmy mają nie tylko warunki meteorologiczne, ale także sposób jej funkcjonowania, sterowania oraz indywidualne warunki terenowe i rozlokowanie. Analizy wykazały, iż mając do dyspozycji rzeczywiste dane meteorologiczne, tj. prędkość i kierunek wiatru, gęstość powietrza oraz dane produkcyjne energii elektrycznej z poszczególnych siłowni oraz z licznika w GPZ, można zbudować sprawdzający się model prognostyczny. Z analizy danych pomiarowych farm wiatrowych wynika, że każda farma ma swoje cechy charakterystyczne, osobnicze i model prognozy mocy powinien te cechy uwzględniać. Można to realizować budując złożony model każdej farmy, jednak zdobycie danych wejściowych do takiego modelu jest praktycznie niemożliwe. Rozwiązaniem są modele o innej strukturze, niż oparte o opis zjawisk fizycznych: modele statystyczne lub behawioralne. W pracy zbadano możliwość modeli neuronowych. Na podstawie badań symulacyjnych opartych o dane z rzeczywistych farm wiatrowych wybrano strukturę sieci neuronowej, jej wielkość i sposób uczenia. Zaproponowany model został zweryfikowany a jakość oceniona na podstawie wybranych wskaźników jakości. Z badań wynika, że model neuronowy może być wykorzystywany do predykcji mocy wytwórczej farm wiatrowych, lecz wymaga okresowego dostosowywania krzywych mocy do zmieniających się warunków wiatrowych. W pracy dużo miejsca poświęcono analizie danych pomiarowych funkcjonujących farm wiatrowych. Celem była analiza warunków pracy farm wiatrowych, czynników wpływających na moc farmy oraz wybór wielkości wejściowych do modelu. Opisane w pracy czynniki mające wpływ na moc farmy są kluczowe dla wysokiej jakości prognoz mocy i powinny być uwzględniane w modelach prognostycznych na różnych etapach procesu prognozowania.

Author (1)