Forbedrede hybridmodeller til flertrinsprognoser for vindhastighed

For at afbøde den globale opvarmning ved at reducere emissioner, vinden forventes bredt at blive en alternativ energikilde. Vindkraftproduktion bruger overfladeatmosfæren, hvor bevægelse blæser vindmøllen for at generere effekt. Imidlertid, på grund af turbulensen i det nærliggende overfladelag, vindhastigheder viser stærke variationer og forstyrrelsesegenskaber, hvilket skaber ustabilitet for vindkraftproduktion. Dette truer igen alvorligt sikkerheden i elnetsystemet. Derfor, for at sikre elnettets sikkerhed og stabilitet, pålidelige forudsigelser af vindhastighed og elproduktion i lokal skala for vindmølleparker er afgørende.

I et papir, der for nylig blev offentliggjort i Atmosfæriske og oceaniske videnskabsbreve , Ye Zhang fra Hebei Normal University og hendes medforfattere fra Institute of Atmospheric Physics og Lanzhou University, udviklet tre hybrid-flertrinsmodeller for vindhastighedsprognoser og sammenlignet dem med hinanden og med tidligere foreslåede modeller for vindhastighedsprognoser. De tre modeller er baseret på wavelet dekomponering (WD), algoritmen til optimering af Cuckoo search (CS), og et wavelet neuralt netværk (WNN). Henholdsvis, de betegnes som CS-WD-ANN (hvor ANN betyder 'kunstigt neuralt netværk'), CS-WNN, og CS-WD-WNN. Vindhastighedsdata fra to vindmølleparker i Shandong, det østlige Kina, blev brugt i undersøgelsen.

Resultaterne viste, at CS-WD-WNN klarer sig bedst blandt de tre udviklede hybridmodeller, med minimale statistiske fejl, mens CS-WD-ANN klarer sig dårligst. Fra sammenligningen med tidligere foreslåede vindprognosemodeller, herunder BPNN, Vedhold, ARIMA, WNN, og PSO-WD-WNN, CS-WD-WNN blev stadig fundet den overlegne model. I det væsentlige, anvendelse af CS -algoritmen i de udviklede hybridmodeller viste mere en fordel med hensyn til prognoseresultaterne sammenlignet med andre modeller.

"Samlet set, vi fandt ud af, at CS-WD-WNN-modellen fungerer godt i forudsigelser af vindhastighed, og nøjagtigheden er højere end for tidligere foreslåede modeller, "slutter Zhang.