Upload
others
View
1
Download
0
Embed Size (px)
Citation preview
Prosument 2014
Źr hab. inż. Tomasz Popławski Prof. PCz
1
Energetyka Prosumencka w Wymiarach Zrównoważonego Rozwoju
WYKORZYSTANIE ANALIZY FRAKTALNEJ DO PRZEWIDYWANIA MOCY GENERACJI
WIATROWEJ W INSTALACJACH PROSUMENCKICH
Gliwice 2014
Tab.1. Moc elektrowni wiatrowych na wiecie w [MW]
Gliwice 2014
ródło: Global Wind źnergy Commission.
Kraj 2009 2010 2011 2012 Wzrost 2012/2011
Chiny 25 810 44 733 62 733 75 564 20,5%
Stany Zjednoczone
35 159 40 180 46 919 60 007 27,9%
Niemcy 25 777 27 215 29 075 31 332 7,8%
Hiszpania 18 865 20 676 21 637 22 796 5,4%
Indie 11 807 13 065 15 800 18 421 16,6%
Wielka Brytania
4 245 5 203 6 018 8 845 47,0%
Włochy 4 850 5 787 6 747 8 144 20,7%
Francja 4 574 5 660 6 640 7 196 8,4%
Kanada 3 319 4 008 5 265 6 200 17,8%
Portugalia 3 357 3 702 4 290 4 525 5,5%
wiat 159 766 196 653 239 000 282 482 18,2%
2
źnergetyka odnawialna na świecie
Gliwice 2014
Rys.2. Wykorzystanie różnych ródeł energii przez ludzkość w latach 2000-2012 w Mtoe (przedstawione w skali logarytmicznej) i wykres trendu do roku 2020
ródło: BP Statistical World Energy Review 2013, Koncern British Petroleum
3
Obecne trendy wskazują, że do 2020 poziom wyprodukowanej energii z wiatru może wzrosnąć ok. 10-krotnie, a energii słonecznej ok. 100-krotnie.
Gdyby zachować obecne trendy w 2020 roku zarówno energetyka słoneczna, jak i energetyka wiatrowa liczone osobno będą produkowały więcej energii elektrycznej niż wszystkie elektrownie jądrowe na wiecie.
Gliwice 2014
4
źnergetyka odnawialna na świecie
Gliwice 2014
Lata
Udział generacji wiatrowej w krajowym
zużyciu energii elektrycznej
[GWh] [TWh] [%]
2004 142 144 0,099
2005 135 145 0,093
2006 388 149 0,260
2007 494 154 0,321
2008 790 153 0,516
2009 1029 149 0,691
2010 1485 155 0,958
2011 3126 158 1,978
2012 4599 157 2,929
2013 5888 158 3,727
0
1000
2000
3000
4000
5000
6000
7000
2004
2005
2006
2007
2008
2009
2010
2011
2012
2013
Lata
Ud
ział
źW
[G
Wh
]
135
140
145
150
155
160
Zu
życi
e ź
ź
wP
ols
ce
[TW
h]
Udział EW EE Polska
Energetyka wiatrowa w Polsce
Metody prognozowania
Podej cie fizyczne
przepływ wiatru wokół i wewnątrz farmy wiatrowej
wykorzystanie krzywej mocy
Podej cie statystyczne
uchwycenie relacji pomiędzy prognozą meteorologiczną (oraz historycznymi pomiarami), a mocą wyjściową
brak założeń dotyczących zjawisk fizycznych
Podej cie mieszane
Gliwice 2014
6
Prognozowanie generacji wiatrowej
8
Gliwice 2014
Moc elektrowni wiatrowej
ródło:Lewandowski W.”Proekologiczne odnawialne ródła energii. WNT warszawa 2006
)(DD
d
z
D
d
z
C
C
D
d
e
eP s
s
s
s
s
N
op
s
s 14
1
2
1
31
2
1
1
1 30
22
2
2
2
2
2
Gliwice 2014
)(v,X,...,X,XfP̂ itt 200201
9
Jak skonstruować prognozę
Metoda należy do rodziny metod ekonometryczno-statystycznych
Poprzez odpowiednie operacje matematyczno-statystyczne na zmiennych objaśniających w modelu MRK pozbywamy się problemu współliniowości zmiennych (w Modelu Regresji Wielowymiarowej
współliniowość zmiennych eliminuje je jako zmienne do
modelu predykcji)
Model MRK jest uniwersalny pod względem horyzontu prognozy. W zależności od potrzeb możemy budować prognozy: sterowanie predyktywne, krótkoterminowe, średnioterminowe i długoterminowe.
Model rozkładu kanonicznego wektora zmiennych losowych (MRK) – klasyfikacja,
możliwości rozbudowy, zalety metody
Zakłada się, że pewien proces opisany jest wektorem losowym , którego składowe są ze sobą skorelowane
Stosując metodę rozkładu kanonicznego dokonujemy przekształcenia wektora o składowych skorelowanych na inny wektor o składowych nieskorelowanych, które są funkcjami liniowymi składowych wektora
Sposób doj cia do reguły prognostycznej – przykład poniżej
Gliwice 2014 11
Model rozkładu kanonicznego wektora zmiennych losowych (MRK) – geneza metody
Gliwice 2014 12
Procedura postępowania przy prognozie
Z historii procesu wyznaczamy współczynniki rozkładu kanonicznego
Na podstawie danych historycznych wyznaczamy empiryczne warunkowe rozkłady często ci wektora V i na ich podstawie dystrybuanty o następującej postaci:
Używając generatora liczb losowych dokonujemy wielokrotnego losowania z dystrybuant warunkowych
Uzyskane warto ci u redniamy uzyskując interesujące nas warto ci prognozowane zgodnie z równaniem:
1,0001 rigiigrii xXxVF 1,...,2,1 mi
Xi
i
j
ijiji xV̂VaP̂
1
1
W modelu MRK korzysta się przy prognozie z empirycznych rozkładów prawdopodobieństw warunkowych zmiennych objaśniających co pozwala w praktyce skonstruować model o różnym składzie wejściowym zmiennych objaśniających do modelu (model zapewnia automatyczną wielowariantowość)
Na dokładność modelu MRK ma wpływ odpowiedni skład zmiennych objaśniających oraz ich kolejność. W literaturze podaje się kilkanaście kryteriów prawidłowego doboru zmiennych objaśniających w prognostycznych modelach ekonometrycznych. Ponieważ w MRK model prognozy opiera się o rozkład kanoniczny wektora losowego to większo ć z tych kryteriów jest spełniona z definicji.
MRK – klasyfikacja, możliwości rozbudowy, zalety metody
Rozbudowa modelu MRK o implementację metody składowych głównych w celu ustalania wła ciwej kolejno ci składowych zmiennych obja niających
Rozbudowa modelu o implementację metodę Pojemno ci Integralnej Hellwiga w celu ustalania poprawnej kolejno ci zmiennych obja niających
Rozbudowa modelu o elementy analizy fraktalnej w celu pozyskania dodatkowych zmiennych obja niających niosących informacje o charakterze prognozowanego procesu
MRK – kierunki rozwoju metody
Fraktalem okre la się jako zbiór posiadający okre lone cechy: ma nietrywialną strukturę w każdej skali, struktura ta nie daje się łatwo opisać w języku
tradycyjnej geometrii euklidesowej,
jest samopodobny, je li nie w sensie dokładnym, to przybliżonym lub stochastycznym,
jego wymiar fraktalny jest większy niż jego wymiar topologiczny
Można zaobserwować dwa typy fraktali deterministycznne (tworzone za pomocą
pewnej reguły, zbiór Śantora, krzywa Kocha, zbiór Mandelbrota, zbiory Julii),
losowe (linia brzegowa, drzewo, płuca)
Gliwice 2014
15
MRK i analiza fraktalna
Gliwice 2014
Rys.4 Etapy tworzenia trójkąta Sierpińskiego.
Jednym z podstawowych elementów charakteryzujących fraktal jest jego wymiar
Hausdorffa samopodobieństwa pudełkowy pojemnościowy informacyjny wymiar euklidesowy cyrklowy
16
Analiza fraktalna
Istnieje związek między wymiarem fraktalnym szeregu czasowego, a wykładnikiem Hursta
Gdzie:
D – wymiar fraktalny
H – wykładnik Hursta
Gliwice 2014
HD 2
Można wyróżnić trzy grupy procesów w zależności od jego wartości: H=0,5 - szereg losowy, brak korelacji
0<H<0,5 - szereg antypersystentny
0,5<H<1 – szereg persystentny
17
Wykładnik Hursta
Gliwice 2014
0
2
4
6
8
10
12
14
1 31 61 91 121 151 181 211
Godziny
Pręd
kość
wiat
ru [m
/s]
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
Wyk
ładnik
Hur
sta
Predkość wiatru Wykładnik Hursta
Rys.5. Prędkość wiatru zanotowana dla farmy wiatrowej oraz wyznaczone wykładniki Hursta
18
Gliwice 2014
0
10000
20000
30000
40000
50000
60000
70000
80000
1 31 61 91 121 151 181 211
Godziny
Mo
c fa
rmy
[kW
]
0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
Wyk
ładni
k Hur
sta
Moc farmy Wykładnik Hursta
Rys.6. Moc generowana na farmie wiatrowej oraz wyznaczone wykładniki Hursta
19
MRK-H – model wzbogacony o dodatkowe zmienne obja niające: pseudoprognoza dla farmy prędko ci wiatru
śynamicznie wyznaczane zmienne opóźnione mocy farmy PP,t-op
dynamicznie wyznaczane opóźnione wykładniki Hursta dla prędko ci wiatru Hv,t-op
dynamicznie wyznaczane opóźnione wykładniki Hursta dla mocy farmy HP,t-op
Gliwice 2014
.,,,op:gdzie
v̂,H,H,PfP̂ topt,Popt,Vopt,Pt
96724824
20
Modele prognozy z wykorzystaniem elementów analizy fraktalnej
Aeolos Wind Turbine 20kw Specification
Rated Power 20 kw
Maximum Output Power
25 kw
Generator Direct-Drive Permanent Magnet Generator
Blade Quantity 3 Glass Fiber Blades
Rotor Blade Diameter 10.0 m (32.8ft)
Start-up Wind Speed 3.0 m/s (6.7 mph)
Rated Wind Speed 10 m/s (22.3 mph)
Survival Wind Speed 50 m/s (111.5 mph)
Controller PLC With Touch Screen
Safety System Yaw Control, Electrical Brake & Hydraulic
Brake
Turbine Weight 960 kg (2112 lbs)
Noise 55 db(A) @ 7m/s
Temperature Range -20°C to +50°C
Design Lifetime 20 Years
Warranty Standard 5 Years
Testy przeprowadzono dla sezonu zimowego: styczeń, luty 2013r.
Interwał próbkowania odczytywany z systemu SCADA- 15 min, szereg czasowy do badań 5664 pomiary
Ustalanie dynamiczne parametrów modelu na stałej próbie 1728 obserwacji ustalanej z krokiem dobowym tzn. co 96 obserwacji
Pseudoprognoza prędko ci wiatru poprzez zakłócenie zmierzonej na turbinie prędko ci w taki sposób aby uzyskać losowy błąd ±15%
Gliwice 2014 22
Założenia eksperymentu
Założenia eksperymentu
Krokowe wyznaczanie opóźnionych wykładników Hursta dla zmierzonej mocy farmy z ciągu 150 obserwacji dla opóźnień t-24, t-48, t-72 i t-96.
Krokowe wyznaczanie opóźnionych wykładników Hursta dla zmierzonej prędko ci wiatru z ciągu 150 obserwacji dla opóźnień t-24, t-48, t-72 i t-96.
Prognoza sprawdzająca dla 9 dni (19 lutego do 27 lutego 2013r.) wykonywana na trzy doby do przodu z interwałem dobowym.
Gliwice 2014 24
Wyniki eksperymentu
Rys. 1. Wartości rzeczywiste i prognozowana moc turbiny w horyzoncie tygodniowym z krokiem dobowym.
Gliwice 2014 25
Wyniki eksperymentu
NMAPE [%]
Okres prognozy
doba 3 dni 8 dni
96 288 768
1 11,7 13,5
2 16,7 11,5
3 10,6 9,8
4 7,2 10,1
5 12,4 10,3
6 10,6 7,5
7 7,9 7,8
8 3,9 8,2
Min
0,1
Max 47,6
Średni 10,1 9,8 7,97