1. JEECS
  2. Всі випуски
  3. Випуск 8, Номер 2, 2022
  4. Прогнозування генерації електроенергії вітровими станціями на основі інтелектуальних методів: стан справ та приклади

Прогнозування генерації електроенергії вітровими станціями на основі інтелектуальних методів: стан справ та приклади

JEECS.
2022;
Випуск 8, Номер 2
: с. 104 – 109
https://doi.org/10.23939/jeecs2022.02.104
Надіслано: Жовтень 12, 2022
Переглянуто: Жовтень 31, 2022
Прийнято: Листопад 07, 2022

L. Bugaieva, O. Beznosyk. Prediction of electricity generation by wind farms based on intelligent methods: state of the art and examples. Energy Engineering and Control Systems, 2022, Vol. 8, No. 2, pp. 104 – 109. https://doi.org/10.23939/jeecs2022.02.104

Автори:
  1. Людмила Бугаєва
  2. Олександр Безносик
1
Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського"
2
Національний технічний університет України "Київський політехнічний інститут імені Ігоря Сікорського"

У зв'язку зі швидким зростанням виробництва вітрової енергії в усьому світі, прогнозування вітроенергетики відіграватиме важливу роль у роботі електроенергетичних систем та ринків електроенергії. У статті наведено огляд сучасних методів та інструментів прогнозування вироблення електроенергії вітровими електростанціями. Особлива увага приділяється інтелектуальним підходам. Розглянуто питання підготовки та використання даних для таких прогнозів. Подано розробку системи прогнозування на основі нейронних мереж, виконану авторами статті. У вітроенергетики велике майбутнє у всьому світі та в Україні також. Тому дослідження, проведене авторами, є актуальним.

прогнозування вітрогенерації
інтелектуальні методи
нейронні мережі
статистичний підхід
  1. Hanifi, S., Liu, X., Lin, Z and Lotfian, S. (2020) A Critical Review of Wind Power Forecasting Methods—Past, Present and Future. Energies, 13, 3764. doi:10.3390/en13153764
  2. Monteiro, C., Bessa, R.J., Miranda, V., Botterud, A., Wang, J., Conzelmann, G., & Porto, I. (2009). Wind power forecasting : state-of-the-art 2009. https://www.researchgate.net/publication/236511132. doi: 10.2172/968212
  3. Piotrowski, P., Baczyński, D., Kopyt, M. and Gulczyński, T. (2022) Advanced Ensemble Methods Using Machine Learning and Deep Learning for One-Day-Ahead Forecasts of Electric Energy Production in Wind Farms. Energies,15(4), 1252. https://doi.org/10.3390/en15041252
  4. Hui Liu, Chao Chen, Xinwei Lv, Xing Wu, Min Liu. (2019). Deterministic wind energy forecasting: A review of intelligent predictors and auxiliary methods. Energy Conversion and Management, 195, 328-345, ISSN 0196-8904, https://doi.org/10.1016/j.enconman.2019.05.020.
  5. Hong, Y.Y.; Rioflorido, C.L.(2019). A hybrid deep learning-based neural network for 24-h ahead wind power forecasting. Appl. Energy, 250, 530–539. https://doi.org/10.1016/j.apenergy.2019.05.044
  6. Xing, Y., Fue-Sang Lien,  Melek. W.  and Yee, E. (2022) A Multi-Hour Ahead Wind Power Forecasting System Based on a WRF-TOPSIS-ANFIS Model / Energies, 15, 5472; https://doi.org/10.3390/en15155472
  7. Yang, W., Court, R., Jiang, J. (2013) Wind turbine condition monitoring by the approach of SCADA data analysis, Renewable Energy, 53, 365-376, ISSN 0960-1481, https://doi.org/10.1016/j.renene.2012.11.030.
  8. Bugaieva, L., Beznosyk, Yu., Sydorenko, I. (2019) Intellectual Analysis as a Necessary Tool for Efficient Use of SCADA System Databases. Topical issues of the development of modern science. Abstracts of the 3rd International scientific and practical conference. Publishing House “ACCENT”. Sofia, Bulgaria. 13-15 November  2019. 422-426. URL: http://sci-conf.com.ua.