The Investigation of factors determining wind power prediction accuracy: case study of western Lithuania
LTSiekiant mažinti klimato kaitą pastaraisiais metais vis daugiau dėmesio skiriama atsinaujinančiai, ypač vėjo, energetikai. Nepaisant visų vėjo elektrinių privalu ir minimalios įtakos aplinkai, yra ir minusų. Vėjo greičio pokytis yra stochastinis procesas, todėl sudėtinga tiksliai prognozuoti vėjo elektrinių generuojamą galią. Netiksliai prognozuojama vėjo elektrinių galia gali sukeli elektros energetinės sistemos trikdžius, be to, reikalingi dideli ir ekonomiškai nenaudingi galios rezervai. Vėjo elektrinių generuojama galia gali būti prognozuojama statistiniu, fizikiniu ar hibridiniu metodais ir modeliais. Vis dėlto prognozuojant galią skirtingais metodais ir modeliais susidaro paklaidos įvairiais laiko periodais. Straipsnyje pateikiama vėjo elektrinių generuojamos galios paklaidų analizė, generuojamą galią prognozuojant statistiniais, fizikiniais ir hibridi-niais metodais. Tyrimas atskleidė, kad skirtingų statistinių metodų - netiesinės regresijos, MOS (angl. Model Output Statistics), tinkamiausios galios kreivės nustatymo funkcijų ir vėjo greičio korekcijos - taikymas leidžia galios prognozavimo paklaidas sumažinti iki 1,5 %. Išsamus reljefo pokyčio ir paviršiaus šiurkštumo vertinimas vėjo elektrinių galios prognozės tikslumą leidžia padidinti iki 2 %. Atsižvelgiant į Vakarų Lietuvos sąlygas buvo nustatyta, kad trumpalaikei vėjo elektrinių galios prognozei tinkamiausias yra hibridinis modelis, kuriuo detaliai įvertinamos topografinės sąlygos, nes jame integruoti tiksliausi statistiniai metodai. Raktažodžiai: vėjo elektrinių generuojamos galios prognozė, hibridinis modelis, fizikiniai metodai, statistiniai metodai.
ENIn order to mitigate climate change, more attention every year is being given to wind energy. However, despite minimal impact of wind turbines on the environment, there is a negative side as well. Wind speed variations are a stochastic process, and it is difficult to predict wind power accurately. Therefore, unpredictable power can disbalance the power grid; besides, huge power reserves are necessary. Wind energy can be forecasted based on statistical, physical or hybrid methods and models. However, all methods and models generate power prediction errors dur-ing different time horizons. The paper presents an analysis of wind power prediction errors determining factors based on sta-tistical, physical and hybrid approaches. Investigation revealed that combination of statistical methods - nonlinear regression, model output statistics, the most suitable power curve and wind speed correction methods - reduced wind power prediction errors up to 1.5%. A detailed evaluation of relief variations and surface roughness increased wind power accuracy by 2%. Considering the local conditions of the western part of Lithuania, the best suitable tool for a shortterm wind power prediction is a hybrid model including a detailed description of topographical conditions and the most precise statistical methods. Keywords: wind power forecasting, hybrid model, physical ap-proach, statistical methods.
