1
Predvianje izlazne djelatne snage vjetroelektrane
uporabom kaskadno-korelacijskih neuronskih mrea
Mario Klari
Dalekovod d.d. - Zagreb
email: mario.klaric@dalekovod.hr
SaetakSve vei udjel vjetroelektrana u elektroenergetskim
sustavima u svijetu stvara sve vee probleme vezane uz
regulaciju elektroenergetskog sustava. Najvei problemi vezani
su uz stohastiku narav vjetra kao izvora energije odnosno
intermitirajuu vrstu proizvodnje elektrine energije. Stoga je
vrlo bitno tonije predvidjeti proizvodnju odnosno izlaznu snagu
vjetroelektrana da bi se mogle planirati i potrebne mjere
regulacije djelatne snage i frekvencije. U ovom radu
predstavljena je jedna metoda za procjenu izlazne snage
vjetroelektrane na temelju mjerenja karakteristika vjetra na
udaljenim mjernim postajama. Uporabljena je metoda
neuronskih mrea s kaskadno-korelacijskim algoritmom.
Kljune rijeivjetroelektrana, izlazna snaga, predvianje, snage vjetroelektrane u odreenom buduem razdoblju s
neuronske mree, kaskadno-korelacijski algoritam
I. UVOD
U posljednja dva desetljea u Europi i svijetu instalirano je
skoro 100 GW snage proizvodnje elektrine energije u
vjetroelektranama. Samo u Njemakoj, kao vodeoj zemlji u
podruju vjetroenergetike instalirano je preko 22 GW snage.
Ovako velik kapacitet proizvodnje elektrine energije iz
energije vjetra stvara brojne probleme u elektroenergetskom
sustavu naroito one vezane uz regulaciju djelatne snage i
frekvencije. Razlog tome je stohastika narav proizvodnje
elektrine energije iz vjetroelektrana odnosno velika
fluktuacija proizvedene djelatne snage vjetroelektrana.
Slika. 1. Fluktuacije ukupne proizvodnje svih vjetroelektrana
u prijenosnom sustavu mree E.ON Netz Operatora u
Njemakoj (izvor E.ON Netz)
Na slici 1. prikazana je fluktuacija ukupne snage
proizvodnje svih vjetroelektrana u prijenosnoj mrei E.ON
Netz Operatora prijenosnog sustava u Njemakoj na kojoj je
vidljivo i smanjenje snage proizvodnje za 3640 MW u
vremenu od 6 sati. Takav propad u proizvodnji djelatne snage
dogodio se nekoliko puta te je doveo do znatnih potekoa u
regulaciji frekvencije i djelatne snage to je, uz jo odreene
probleme u prijenosnoj mrei, nekoliko puta u konanici
rezultiralo i djelominim raspadom sustava.
Iz ovog razloga, operatori prijenosnog sustava u Europi i
svijetu nastoje to tonije predvidjeti proizvodnju djelatne
ciljem pravodobnog predvianja potrebnih regulacijskih
mjera, angamana rotirajue rezerve odnosno openito
poboljanja stabilnosti elektroenergetskog sustava.
Da bi se mogla predvidjeti izlazna snaga vjetroelektrane
potrebno je otkriti koje veliine izravno utjeu na izlaznu
djelatnu snagu vjetroagregata. Pretvorba kinetike energije
vjetra u kinetiku energiju vrtnje vratila odvija se pomou
lopatica rotora vjetroturbine. Pri tome se rotor i elektrini
generator nalaze na zajednikom vratilu (izmeu njih moe i
ne mora postojati odgovarajui prijenosnik). U generatoru
dolazi do pretvorbe kinetike energije vrtnje vratila u
elektrinu energiju. Specifina snaga vjetra proporcionalna je
treoj potenciji njegove brzine, a za konstantnu brzinu i
povrinu okomitu na smjer strujanja iznosi:
v3
Pvj = (1)
2
pri emu je
Pvj ukupna specifina snaga vjetra,
gustoa zraka,
v brzina vjetra.
Openito, brzina vjetra nije konstantna pa je prosjena
specifina snaga jednaka:
T
1
Pvj = v3 ( t ) dt (2)
2T 0
Gustoa zraka funkcija je tlaka i temperature zraka. Tlak i
temperatura zraka funkcija su nadmorske visine pa se na
razini mora ( = 1.2 kg/m3) za specifinu snagu vjetra moe
priblino uzeti da je jednaka Pvj ( 0 ) = 0, 6 v .
3
Kinetika energija vjetra u struji zraka u vremenu t dobiva se
mnoenjem snage s vremenom prema izrazu (3).
 2

t Iz svega navedenog slijedi da se izlazna djelatna snaga

Ek ,vj = Pvj ( t ) dt (3) vjetroelektrane moe izraunati iz podataka o brzini i smjeru
0 vjetra, zatim temperaturi i tlaku zraka. Takoer, ukoliko se
odnosno, za vremenski interval T u kojem se brzina vjetra moe predvidjeti odnosno prognozirati budua vrijednost
uzima konstantnom: istih parametara, moe se predvidjeti i djelatna snaga na
prikljuku vjetroelektrane na mreu. Metoda koja se namee
1 3
Ek ,vj = v T (4) kao dobar izbor jest uporaba neuronskih mrea.
2
gdje je Ek ,vj kinetika energija vjetra.
II. PREDVIANJE METODOM NEURONSKIH MREA
Najvei dio ukupne kinetike energije vjetra ne moe se
iskoristiti, odnosno pretvoriti u kinetiku energiju vrtnje A. Openito o neuronskim mreama
lopatice rotora jer vjetar mora nastaviti strujanje kako bi
omoguio nadolazak vjetra iza sebe. Ta se injenica naziva Neuronske mree su sustavi modelirani od procesirajuih
Betz-ovim zakonom, a matematiki se moe izraziti stupnjem elemenata tzv. neurona, po uzoru na mreu ljudskih modanih
aerodinamike pretvorbe koji je odreen kao omjer snage na stanica. Neuronske mree spadaju u okvire umjetne
vratilu vjetroturbine i raspoloive snage u slobodnoj struji inteligencije (eng. AI Artificial Intelligence), strukturirane
vjetra: da radi na nain kao to radi ljudski mozak. Kljuni element
ove vrste umjetne inteligencije je specifina struktura obrade
Pt Pt informacija sastavljena od velikog broja meusobno
cp = = (5) povezanih elemenata obrade (neurona) koji zajedniki rade na
Pvj 1 v 3 rjeavanju problema obradom ulaznih podataka.
2 Vana osobina neuronskih mrea je njihova sposobnost da ue
gdje je na ogranienom skupu primjera te su zbog toga sposobne da
c p stupanj aerodinamike pretvorbe, (0.45 za izau na kraj s problemima koji se tradicionalnim pristupom
teko rjeavaju. Neuron prima ulaze, procesira ih i proizvodi
suvremene vjetroturbine),
jedan izlaz. Ulaz moe biti sirovi podatak ili izlaz iz nekog
Pt transformirana snaga. drugog neurona. Na sljedeoj slici je prikazano procesiranje
Najvea mogua vrijednost stupnja aerodinamike pretvorbe informacije u umjetnom neuronu.
naziva se Betz-ovom granicom i iznosi cp,max=16/27=0,593 te
se uinkovitost (stupanj djelovanja) nijednog postrojenja za
iskoritenje energije vjetra nikakvim poboljanjima ne moe
poveati iznad te vrijednosti. Uzimajui u obzir sve gubitke
pretvorbe energije u vjetroagregatu slijedi kako se tek neto
manje od 1/2 poetne kinetike energije vjetra pretvara u
korisnu, elektrinu energiju (slika 2).

1
specificna snaga vjetra, W/m2

8000 1 - ukupna snaga

2 - teorijski iskoristiva (raspoloiva) snaga
3 - mehanicka snaga na vratilu generatora
4 - elektricna snaga na stezaljkama generatora
6000

2
Slika. 3. Procesiranje informacije u umjetnom neuronu
4000

Mrea ui podeavajuci teine prema poznatim povijesnim

2000 snaga je ogranicena podacima koji se kroz nju proputaju. Teina izraava
zbog mehanickih relativnu znaajnost svakog ulaza u neuron. Funkcija
opterecenja
3 sumiranja mnoi svaki ulaz odgovarajuom teinom, a zatim
4
sumira dobijene umnoke. Funkcija transformacije, odnosno
0 5 10 15 20 25 prijenosna funkcija, koja je najee nelinearna, odreuje da li
brzina vjetra, m/s rezultat funkcije sumiranja (interna aktivizacija neurona)
moe proizvesti izlaz. Svaka mrea sastoji se od neurona
Slika. 2. Specifina i raspoloiva (teorijski iskoristiva) snaga grupiranih u slojeve. Osim ulaznog i izlaznog sloja, mrea
vjetra, mehanika snaga na vratilu i elektrina na stezaljkama moe imati jedan ili vie skrivenih slojeva. Na slici 4. dat je
generatora primer mree s jednim skrivenim slojem. Topologije mree
mogu biti razliite ovisno od problema koji se rjeava, vrsti
ulaznih podataka, vrsti izlaznih podataka i drugih faktora.
 3

C. Odabir prijenosne funkcije

Za odabir najpovoljnije prijenosne funkcije unutar
elemenata (neurona) koji se kaskadno nadograuju u mreu
potrebno je istraiti ovisnost izlazne djelatne snage
vjetroelektrane o brzini vjetra i ostalim karakteristikama. Na
slici 2 ve je prikazana ovisnost ukupne raspoloive snage
vjetra i iskoristive snage u ovisnosti o brzini vjetra. Takoer,
iz (1), (2), (3) i (4) proizlazi ovisnost snage vjetroelektrane o
gustoi zraka, a samim tim i temperaturi i tlaku zraka. Prava
funkcionalna ovisnost brzine vjetra i izlazne snage
vjetroelektrane oitava se iz krivulje snage vjetroagregata koju
svaki proizvoa daje za pojedini tip stroja. Iako se ti podaci
razlikuju ovisno o nazivnoj snazi vjetroagregata, svi oni imaju
otprilike isti oblik krivulje koja izgleda kao na slici 6.

Slika. 4. Neuronska mrea s jednim skrivenim slojem krivulja snage

2500
B. Kaskadno-korelacijske neuronske mree
Kaskadno-korelacijske neuronske mree temelje se na 2000

uenju tzv. kaskadno-korelacijskim algoritmom odnosno na

snaga (kW)

1500
Cascade Correlating paradigmi koju su 1990. razvili Fahlman
i Libiere. Glavna odlika ovakvog naina uenja neuronske 1000

mree je u dodavanju neurona u skriveni sloj tijekom uenja 500

mree. Tako se dobije samoorganizacijska mrea koja je na taj
nain optimirana brojem neurona u skrivenom sloju. Vrijeme 0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
uenja je puno manje odnosno ovakve mree su puno bre.
brzina vjetra (m/s)
Takoer, one su robusne odnosno rezultati se postiu i s vrlo
malo ulaznih parametara. Optimizacija se obavlja na temelju Slika. 6. Krivulja snage vjetroagregata Siemens SWT-2.3-93
najmanje srednje kvadratne pogreke (eng. MSE Mean
Squared Error). Na slici 6 prikazana je krivulja snage vjetroagregata
Arhitektura kaskadno korelacijskih neuronskih mrea Siemens SWT-2.3-93 nazivne snage 2300 kW odnosno 2.3
izgrauje se dodavanjem novih neurona u skriveni sloj mree. MW. Obliku krivulje najvie odgovara funkcija tangensa
Inicijalna mrea ima samo ulazni i izlazni sloj na koji se hiperbolnog pa je ona i odabrana kao prijenosna funkcija
uenjem kaskadno dodaje po jedan novi neuron u skriveni kaskadno dodavanih elemenata u neuronsku mreu. Openita
sloj. Mrea se prestaje nadograivati kad se dosegne funkcija tangensa hiperbolnog glasi:
optimalna arhitektura mree odnosno optimalan broj
kaskadnih skrivenih slojeva.
sinh( z ) e z e z e 2 z 1
tanh( z ) = = = (6)
cosh( z ) e z + e z e 2 z + 1
izlazi
Openita funkcija tangensa hiperbolnog prikazana je na
sljedeoj slici.
kaskadno dodani
neuroni u skrivenom
sloju
ulazi

Slika. 5. Neuronska mrea s arhitekturom nadograenom Slika. 7. Openita funkcija tangensa hiperbolnog
kaskadno-korelacijskim algoritmom

III. POSTAVLJANJE ULAZNIH I IZLAZNIH PODATAKA
A. Odabir ulaznih i izlaznih veliina
Kako je ve prethodno definirano, izlazna veliina iz ovakve
neuronske mree jest proizvodnja vjetroelektrane odnosno
izlazna djelatna snaga na mjestu predaje elektrine energije.
Takoer, iz (2), (3), (4) i (5) slijedi da su potrebne ulazne
veliine brzina i smjer vjetra, kao i parametri koji definiraju
gustou zraka (temperatura i tlak). Stoga je za ulazne podatke
potrebno definirati:
- brzinu i smjer vjetra,
- temperaturu i tlak zraka.
Iz svega navedenoga slijedi da je za uenje mree potrebno
imati skup ulazno-izlaznih podataka odnosno niz ulaznih
podataka koji definiraju atmosferske prilike s pripadajuim
izlaznim podacima koji definiraju snagu na stezaljkama
vjetroagregata. Slijedi da je potrebno nauiti mreu na temelju
poznatih podataka meusobno uparenih ulaznih i izlaznih
veliina.
B. Mjerenje karakteristika vjetra
Mjerenja brzine i smjera vjetra, temperature i tlaka zraka
najee se obavljaju mjernim stupovima veih visina. Kako
se vratila vjetroelektrana nalaze na veim visinama, tako se
vea tonost i meusobna korelacija mjerenja vjetropotecijala
i stvarne snage proizvodnje postiu upravo ovako visokim
mjernim stupovima. U ovom radu obraeni su mjerni podaci
sa stupova visine 50 m prikazanim na slici 8.
Slika. 8. Mjerni stup visine 50 m
4
C. Lokacije mjerenja
U Hrvatskoj su trenutno u pogonu dvije vjetroelektrane i to
VE Ravne na otoku Pagu snage 5.95 MW te VE Trtar-Krtolin
kod ibenika snage 11.2 MW. Vjetroelektrana Trtar-Krtolin
prikljuena je u oblinju transformatorsku stanicu TS
220/110/30 kV Bilice i to preko 30 kV vodnog polja u kojem
se obavljaju mjerenja snage te obraun energije predane u
mreu. Takoer, u okolici ibenika podignuto je nekoliko
mjernih stupova visine 50 m na kojima se obavljaju mjerenja
brzine i smjera vjetra te temperature i tlaka zraka.
Odabrane su tri lokacije na kojima se obavljaju mjerenja
vjetropotencijala i to lokacije Kr-Paene, Borajica i Promina.
Meusobni poloaj ovih lokacija prikazan je na slici 9.
Kr-
Knin
Paene
Benkovac
35 km
Promina
Biograd
VE Trtar-
Krtolin 22 km Drni
Vodice
ibenik 17 km
Borajica
Primoten
Slika. 9. Meusobni poloaj mjernih lokacija
Kao to je vidljivo na slici 9. lokacije su meusobno
udaljene i temeljni cilj ovog rada je pokazati postojanje
korelacije izmeu razliitih podataka s udaljenih mjernih
lokacija u odnosu na proizvodnju djelatne snage na udaljenoj
vjetroelektrani. Svi mjerni podaci imaju i vremenski zapis pa
ih je mogue meusobno postaviti da se vremenski
podudaraju.
Na mjernoj lokaciji Kr-Paene mjeri se brzina vjetra na
visinama 25 m i 50 m te smjer vjetra na visini 50 m. Na
lokacijama Borajica i Promina mjere se brzine vjetra na
visinama 10, 30, 44 i 46 m, smjer vjetra na 10 i 44 m,
temperatura na 2 i 40 m te tlak na 2 m visine.
Mjerenja na sve tri lokacije se obavljaju u 10-minutnim
zapisima.
Na lokaciji vjetroelektrane Trtar-Krtolin, odnosno u mjestu
prikljuka (TS Bilice) mjeri se izlazna djelatna snaga i to u
zapisima 15-minutnih prosjeka.
 5

IV. PRORAUN NEURONSKE MREE
A. Uenje mree
Kako je ve prethodno definirano, izlazna veliina iz
ovakve neuronske mree je izlazna djelatna snaga
vjetroelektrane Trtar-Krtolin. Podaci koji su dobiveni u obliku
15-minutnih prosjeka usrednjeni su na 1-satne prosjeke.
Ulazne veliine (kojih ima 18) za ovu neuronsku mreu su:
B. Rezultati prorauna
Rezultati prorauna daju mreu sa 70 kaskadnih elemenata
u skrivenom sloju neuronske mree. Proraun je zaustavljen
nakon 22238 iteracija te je odabrana najbolja mrea s
najmanjom srednjom kvadratnom pogrekom (MSE) u
iteraciji broj 13285. Na slici 9. prikazano je kretanje srednje
kvadratne pogreke kroz proraun ovisno o broju iteracije.
3500000

LOKACIJA KR-PAENE (mjerna lokacija A): 3000000

oznaka veliina visina 2500000
MSE

A-V1 brzina vjetra (m/s) 50 m najbolja

2000000 mrea
A-V2 brzina vjetra (m/s) 25 m

MSE
A-S1 smjer vjetra () 50 m 1500000

1000000
LOKACIJA BORAJICA (mjerna lokacija B):
500000
oznaka veliina visina
0
B-V1 brzina vjetra (m/s) 10 m
0 5000 10000 15000 20000 25000
B-V2 brzina vjetra (m/s) 30 m
Iteracije
B-V3 brzina vjetra (m/s) 44 m Slika. 9. Srednja kvadratna pogreka u iteracijama prorauna
B-V4 brzina vjetra (m/s) 46 m
B-S1 smjer vjetra () 10 m Dobiveni faktor korelacije iznosi r=0.9423. Na slici 10.
B-S2 smjer vjetra () 44 m prikazane su na istom grafu stvarne i predviene vrijednosti
B-T1 temperatura zraka(C) 40 m izlazne snage vjetroelektrane. Budui da postoji 3290 ulaznih
B-P1 tlak zraka (hPa) 2m podataka, na sljedeem grafu prikazan je jedan detaljniji dio
koji opisuje postignutu korelaciju u periodu od tri dana.
LOKACIJA PROMINA (mjerna lokacija C)
oznaka veliina visina 14000
Stvarne i predviene vrijednosti

C-V1 brzina vjetra (m/s) 10 m 12000 stvarni

predvieni
C-V2 brzina vjetra (m/s) 30 m 10000

C-V3 brzina vjetra (m/s) 44 m 8000

C-S1 smjer vjetra () 10 m 6000

C-S2 smjer vjetra () 44 m 4000

C-T1 temperatura zraka(C) 40 m 2000

C-P1 tlak zraka (hPa) 2m 0

1 501 1001 1501 2001 2501 3001
Ulazni podaci
Sve veliine usrednjene su na satne prosjeke. Tako je i
izlazni rezultat odnosno djelatna snaga vjetroelektrane koju Slika. 10. Stvarne i predviene vrijednosti izlazne snage
predaje u mreu, dat u satnom prosjeku. Odabran je uzorak od vjetroelektrane u cjelokupnom periodu od 137 dana
3290 istodobnih satnih prosjeka to ukupno daje vremenski
niz od 137 dana odnosno oko 4 i pol mjeseca. Poveanjem
ovog broja poveala bi se i tonost mree, ali i vrijeme
potrebno za njezino uenje. Algoritam odabire optimalnu
neuronsku mreu kriterijem najmanje srednje kvadratne
pogreke (eng. MSE Mean Square Error) izlazne veliine
odnosno snage vjetroelektrane. Tako optimirana mrea s
odreenim brojem kaskadnih elemenata predstavlja krajnji
rezultat algoritma i slui za procjenu izlazne snage
vjetroelektrane na temelju buduih mjerenja.
Slika. 11. Stvarne i predviene vrijednosti izlazne snage
vjetroelektrane u periodu od tri dana
 6

Na sljedeoj slici prikazan je graf rasprenja uz ve Ostale vrijednosti imaju veinom vrijednost utjecaja izmeu
definirani faktor korelacije 0.9423. 4 i 5%. Iz rezultata je vidljivo da najvei utjecaj ima veliina
A-V1 odnosno brzina na visini 50 m na lokaciji Kr-Paene.
Od ostalih utjecaja valja istaknuti smjer vjetra na lokaciji
Promina. Najutjecajnija veliina je brzina vjetra na lokaciji
10000 stvarni Kr-Paene. Na toj se lokaciji mjeri na najveoj visini pa je i
predvieni logian utjecaj na tonost prorauna izlazne snage. Osim toga,
P re d v i e n i (k W )

8000
predmetna lokacija je u odnosu na lokaciju vjetroelektrane
Trtar-Krtolin na izravnoj putanji dominantog smjera vjetra na
6000
tom irem podruju odnosno na pravcu sjever-sjeveroistok to
4000 se moe oitati iz rue vjetrova izmjerene na predmetnoj
lokaciji.
2000
N
0
0 2000 4000 6000 8000 10000
Stvarni (kW)
Slika. 12. Graf rasprenja stvarnih i predvienih rezultata
izlazne djelatne snage vjetroelektrane
W E
Takoer, za svaku pojedini ulazni podatak izraunata je i
vrijednost apsolutne pogreke koja je prikazan na sljedeem vanjski krug
grafu. 60%

10000
8000
6000 S Ukupno energije vjetra
4000 Ukupno vremena
2000
G re k a

0
-2000 1 237 473 709 945 1181 1417 1653 1889 2125 2361 2597 2833 3069 Slika. 14. Rua vjetrova na lokaciji Kr-Paene
-4000
-6000 Velik znaaj mjerne lokacije za okolno podruje oitava se
-8000 i iz injenice da ostale dvije veliine koje se mjere na toj
-10000
lokaciji imaju takoer vee vrijednosti utjecaja.
Ulazni podaci
Tablica 1. Utjecaj ulaznih podataka s lokacije Kr-Paene
Slika. 13. Graf apsolutnih pogreaka pojedinih ulaznih na kvalitetu modela
podataka oznaka utjecaj
A-V1 16.783%
Izraunat je i utjecaj ulaznih podataka na nain da je svaka A-V2 5.898%
pojedina vrijednost sekvencijalno izbrisana iz modela a potom A-S1 4.561%
je izraunat uinak predmetnog djelovanja na kvalitetu
modela za predvianje.
Veliine koje najvie utjeu na rezultat predvianja su: Rezultati prorauna neuronske mree dali su
zadovoljavajui rezultat korelacije uz faktor korelacije 0.9423.
Tablica 1. Utjecaj najbitnijih ulaznih podataka na kvalitetu Takoer, defnirane su ulazne veliine s najveim utjecajem na
modela izlaznu vrijednost.
oznaka utjecaj
A-V1 16.783%
C-S2 8.789%
C-S1 7.076%

V. ZAKLJUAK
U ovom radu prikazana je jedna od metoda za predvianje
izlazne djelatne snage vjetroelektrane na temelju mjerenja
karakteristika vjetra u iroj okolici vjetroelektrane. Koritena
je metoda neuronskih mrea s kaskadno-korelacijskim
algoritmom. Mrea je nauena na skupu od 18 ulaznih
veliina i jednoj izlaznoj veliini. Ulazne veliine
predstavljaju mjerni podaci karakteristika vjetra (brzina,
smjer, temperatura, tlak) s tri lokacije na kojima se nalaze
mjerni stupovi visine 50 m.
Numeriki primjer koji je koriten u radu odnosi se na
stvarnu lokaciju postojee vjetroelektrane Trtar-Krtolin kod
ibenika za koju je predvian satni prosjek izlazne djelatne
snage. Odabrane su i tri lokacije s mjerenjima karakteristika
vjetra u okolici lokacije vjetroelektrane na udaljenostima 35
km, 22 km i 17 km od razmatranih vjetroagregata.
Broj iteracija za opisanu konfiguraciju iznosio je 22238.
Optimalna mrea postignuta je u iteraciji broj 13285.
Dobivena mrea ima 70 kaskadnih elemenata u skrivenom
sloju mree. Dati su prikazi stvarnih vrijednosti i vrijednosti
predvienih dobivenom neuronskom mreom. Faktor
korelacije izmeu ove dvije skupine podataka iznosi 0.9423
to se moe smatrati iznimno dobrom korelacijom. Takoer,
dobiven je i znaaj utjecaja pojedinih ulaznih veliina pri
emu najvei utjecaj ima brzina vjetra na mjernoj lokaciji Kr-
Paene. To je i logina pretpostavka budui da se na toj
lokaciji mjerenja obavljaju na najveoj visini (50 m) to je i
najblie osi vrtnje vjetroagregata. Jednako tako, predmetna
mjerna lokacija nalazi se u odnosu na lokaciju vjetroelektrane
Trtar-Krtolin na izravnoj putanji dominantog smjera vjetra na
tom irem podruju odnosno na pravcu sjever-sjeveroistok to
se moe oitati iz rue vjetrova izmjerene na predmetnoj
lokaciji.
Na ovaj nain, koritenjem ove metode moe se predvidjeti
izlazna djelatna snaga vjetroelektrane na mjestu predaje u
mreu, a na temelju mjernih podataka atmosferskih prilika i
mjerenja karakteristika vjetra u okolici vjetroelektrane.
Metoda predstavlja vrlo upotrebljiv alat gledano sa statistike
strane budui da predvieni podaci vrlo dobro koreliraju sa
stvarnim podacima izmjerenim na samoj vjetroelektrani.
Nedostatak metode je u potrebi dueg mjerenja vremenski
uparenih veliina, to zahtijeva odreeni vremenski period.
Meutim, kako je opisano i u primjeru, ve nakon 4 mjeseca
mogu se oekivati vrlo dobri rezultati korelacije. Poveanjem
broja ulaznih veliina poveavat e se i tonost predvianja.
Potrebno je napomenuti da se kao ulazni podaci mogu
nadodati i mjerni podaci s drugih mjernih stupova, ime se
dodue poveava vrijeme uenja mree, ali se poveava i
tonost mree.
Ovaj alat je vrlo robustan i moe se koristiti na ostalim
lokacijama vjetroelektrana gdje se u blizini nalaze mjerni
stupovi. Takva situacija e biti vrlo esta u ibensko-kninskoj
upaniji gdje se i nalazi najvei broj potencijalnih lokacija za
gradnju te najvie mjernih stupova.
7
Metoda za predvianje izlazne snage vjetroelektrane vrlo je
korisna i potrebna u voenju pogona elektroenergetskog
sustava u svrhu predvianja potrebnih mjera regulacije
frekvencije i djelatne snage, osiguravanja rotirajue rezerve.
Takoer, ova metoda moe izravno upozoriti na mogunost
velikog propada u proizvodnji vjetroelektrana ime se mogu
na vrijeme predvidjeti potrebne mjere za osiguravanje
stabilnosti elektroenergetskog sustava.
Mogue nadogradnje ovakvog sustava otvaraju se u uporabi
u okviru sinkroniziranih mjernih tehnologija (eng. SMT
Synchronized Measurement Technologies) to rezultira
poboljanim dizajnom i aplikacijom razliitih WAMPAC
sustava (eng. Wide Area Monitoring, Protection and Control).
LITERATURA
[1] Scott E. Fahlman, Christian Lebiere: The cascade-
correlation learning architecture; Advances in Neural
Information Processing Systems 2; D. S. Touretzky (ed.),
Morgan-Kaufmann, Los Altos CA, 1990.
[2] Hoehfeld, M. and S. E. Fahlman (1992) "Learning with
Limited Numerical Precision Using the Cascade-
Correlation Learning Algorithm", in IEEE Transactions
on Neural Networks, vol. 3, no. 4, pp. 602-611, July
1992.
[3] Dalekovod d.d. Tipski projekt stupa visine 50 m za
mjerenje vjetra, Dalekovod d.d. Zagreb, 2006.
[4] NRG Systems, Symphonie data logger and accessories,
Hinesburg, USA, 2003.
[5] B. M. Petersen, T. F. Pedersen, H. Klug, N.van der Borg,
N. Kelley, J. Alke Dahlberg, edited by R. S. Hunter,
Wind speed measurement and use of cup anemometry,
Recommended practices for wind turbine testing, 2003.
[6] I.J. Ramrez-Rosado, L.A. Fernndez-Jimnez (Spain),
and C. Monteiro (Portugal); Artificial Neural Network
Models for Wind Power Short-Term Forecasting using
Weather Predictions; Modelling, Identification, and
Control, MIC 2006; Lanzarote, Canary Islands, Spain