Professional Documents
Culture Documents
Predviđanje Izlazne Djelatne Snage Vjetroelektrane
Predviđanje Izlazne Djelatne Snage Vjetroelektrane
Predviđanje Izlazne Djelatne Snage Vjetroelektrane
SaetakSve vei udjel vjetroelektrana u elektroenergetskim Na slici 1. prikazana je fluktuacija ukupne snage
sustavima u svijetu stvara sve vee probleme vezane uz proizvodnje svih vjetroelektrana u prijenosnoj mrei E.ON
regulaciju elektroenergetskog sustava. Najvei problemi vezani Netz Operatora prijenosnog sustava u Njemakoj na kojoj je
su uz stohastiku narav vjetra kao izvora energije odnosno
intermitirajuu vrstu proizvodnje elektrine energije. Stoga je
vidljivo i smanjenje snage proizvodnje za 3640 MW u
vrlo bitno tonije predvidjeti proizvodnju odnosno izlaznu snagu vremenu od 6 sati. Takav propad u proizvodnji djelatne snage
vjetroelektrana da bi se mogle planirati i potrebne mjere dogodio se nekoliko puta te je doveo do znatnih potekoa u
regulacije djelatne snage i frekvencije. U ovom radu regulaciji frekvencije i djelatne snage to je, uz jo odreene
predstavljena je jedna metoda za procjenu izlazne snage probleme u prijenosnoj mrei, nekoliko puta u konanici
vjetroelektrane na temelju mjerenja karakteristika vjetra na rezultiralo i djelominim raspadom sustava.
udaljenim mjernim postajama. Uporabljena je metoda
neuronskih mrea s kaskadno-korelacijskim algoritmom.
Iz ovog razloga, operatori prijenosnog sustava u Europi i
svijetu nastoje to tonije predvidjeti proizvodnju djelatne
Kljune rijeivjetroelektrana, izlazna snaga, predvianje, snage vjetroelektrane u odreenom buduem razdoblju s
neuronske mree, kaskadno-korelacijski algoritam ciljem pravodobnog predvianja potrebnih regulacijskih
mjera, angamana rotirajue rezerve odnosno openito
poboljanja stabilnosti elektroenergetskog sustava.
I. UVOD Da bi se mogla predvidjeti izlazna snaga vjetroelektrane
U posljednja dva desetljea u Europi i svijetu instalirano je potrebno je otkriti koje veliine izravno utjeu na izlaznu
skoro 100 GW snage proizvodnje elektrine energije u djelatnu snagu vjetroagregata. Pretvorba kinetike energije
vjetroelektranama. Samo u Njemakoj, kao vodeoj zemlji u vjetra u kinetiku energiju vrtnje vratila odvija se pomou
podruju vjetroenergetike instalirano je preko 22 GW snage. lopatica rotora vjetroturbine. Pri tome se rotor i elektrini
generator nalaze na zajednikom vratilu (izmeu njih moe i
Ovako velik kapacitet proizvodnje elektrine energije iz
ne mora postojati odgovarajui prijenosnik). U generatoru
energije vjetra stvara brojne probleme u elektroenergetskom
dolazi do pretvorbe kinetike energije vrtnje vratila u
sustavu naroito one vezane uz regulaciju djelatne snage i
elektrinu energiju. Specifina snaga vjetra proporcionalna je
frekvencije. Razlog tome je stohastika narav proizvodnje treoj potenciji njegove brzine, a za konstantnu brzinu i
elektrine energije iz vjetroelektrana odnosno velika povrinu okomitu na smjer strujanja iznosi:
fluktuacija proizvedene djelatne snage vjetroelektrana.
v3
Pvj = (1)
2
pri emu je
Pvj ukupna specifina snaga vjetra,
gustoa zraka,
v brzina vjetra.
1
specificna snaga vjetra, W/m2
2
Slika. 3. Procesiranje informacije u umjetnom neuronu
4000
2500
B. Kaskadno-korelacijske neuronske mree
Kaskadno-korelacijske neuronske mree temelje se na 2000
1500
Cascade Correlating paradigmi koju su 1990. razvili Fahlman
i Libiere. Glavna odlika ovakvog naina uenja neuronske 1000
Slika. 5. Neuronska mrea s arhitekturom nadograenom Slika. 7. Openita funkcija tangensa hiperbolnog
kaskadno-korelacijskim algoritmom
4
C. Lokacije mjerenja
III. POSTAVLJANJE ULAZNIH I IZLAZNIH PODATAKA
U Hrvatskoj su trenutno u pogonu dvije vjetroelektrane i to
A. Odabir ulaznih i izlaznih veliina VE Ravne na otoku Pagu snage 5.95 MW te VE Trtar-Krtolin
Kako je ve prethodno definirano, izlazna veliina iz ovakve kod ibenika snage 11.2 MW. Vjetroelektrana Trtar-Krtolin
neuronske mree jest proizvodnja vjetroelektrane odnosno prikljuena je u oblinju transformatorsku stanicu TS
izlazna djelatna snaga na mjestu predaje elektrine energije. 220/110/30 kV Bilice i to preko 30 kV vodnog polja u kojem
Takoer, iz (2), (3), (4) i (5) slijedi da su potrebne ulazne se obavljaju mjerenja snage te obraun energije predane u
veliine brzina i smjer vjetra, kao i parametri koji definiraju mreu. Takoer, u okolici ibenika podignuto je nekoliko
gustou zraka (temperatura i tlak). Stoga je za ulazne podatke mjernih stupova visine 50 m na kojima se obavljaju mjerenja
potrebno definirati: brzine i smjera vjetra te temperature i tlaka zraka.
- brzinu i smjer vjetra, Odabrane su tri lokacije na kojima se obavljaju mjerenja
- temperaturu i tlak zraka. vjetropotencijala i to lokacije Kr-Paene, Borajica i Promina.
Meusobni poloaj ovih lokacija prikazan je na slici 9.
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 Kr-
izlaznim podacima koji definiraju snagu na stezaljkama Knin
Paene
vjetroagregata. Slijedi da je potrebno nauiti mreu na temelju
poznatih podataka meusobno uparenih ulaznih i izlaznih Benkovac
veliina. 35 km
Promina
Biograd
B. Mjerenje karakteristika vjetra
VE Trtar-
Mjerenja brzine i smjera vjetra, temperature i tlaka zraka Krtolin 22 km Drni
najee se obavljaju mjernim stupovima veih visina. Kako
Vodice
se vratila vjetroelektrana nalaze na veim visinama, tako se
vea tonost i meusobna korelacija mjerenja vjetropotecijala ibenik 17 km
i stvarne snage proizvodnje postiu upravo ovako visokim Borajica
mjernim stupovima. U ovom radu obraeni su mjerni podaci
sa stupova visine 50 m prikazanim na slici 8.
Primoten
B. Rezultati prorauna
IV. PRORAUN NEURONSKE MREE
Rezultati prorauna daju mreu sa 70 kaskadnih elemenata
A. Uenje mree u skrivenom sloju neuronske mree. Proraun je zaustavljen
Kako je ve prethodno definirano, izlazna veliina iz nakon 22238 iteracija te je odabrana najbolja mrea s
ovakve neuronske mree je izlazna djelatna snaga najmanjom srednjom kvadratnom pogrekom (MSE) u
vjetroelektrane Trtar-Krtolin. Podaci koji su dobiveni u obliku iteraciji broj 13285. Na slici 9. prikazano je kretanje srednje
15-minutnih prosjeka usrednjeni su na 1-satne prosjeke. kvadratne pogreke kroz proraun ovisno o broju iteracije.
Ulazne veliine (kojih ima 18) za ovu neuronsku mreu su:
3500000
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
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%
7
V. ZAKLJUAK
U ovom radu prikazana je jedna od metoda za predvianje Metoda za predvianje izlazne snage vjetroelektrane vrlo je
izlazne djelatne snage vjetroelektrane na temelju mjerenja korisna i potrebna u voenju pogona elektroenergetskog
karakteristika vjetra u iroj okolici vjetroelektrane. Koritena sustava u svrhu predvianja potrebnih mjera regulacije
je metoda neuronskih mrea s kaskadno-korelacijskim frekvencije i djelatne snage, osiguravanja rotirajue rezerve.
algoritmom. Mrea je nauena na skupu od 18 ulaznih Takoer, ova metoda moe izravno upozoriti na mogunost
veliina i jednoj izlaznoj veliini. Ulazne veliine velikog propada u proizvodnji vjetroelektrana ime se mogu
predstavljaju mjerni podaci karakteristika vjetra (brzina, na vrijeme predvidjeti potrebne mjere za osiguravanje
smjer, temperatura, tlak) s tri lokacije na kojima se nalaze stabilnosti elektroenergetskog sustava.
mjerni stupovi visine 50 m. Mogue nadogradnje ovakvog sustava otvaraju se u uporabi
Numeriki primjer koji je koriten u radu odnosi se na u okviru sinkroniziranih mjernih tehnologija (eng. SMT
stvarnu lokaciju postojee vjetroelektrane Trtar-Krtolin kod Synchronized Measurement Technologies) to rezultira
ibenika za koju je predvian satni prosjek izlazne djelatne poboljanim dizajnom i aplikacijom razliitih WAMPAC
snage. Odabrane su i tri lokacije s mjerenjima karakteristika sustava (eng. Wide Area Monitoring, Protection and Control).
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. LITERATURA
Dobivena mrea ima 70 kaskadnih elemenata u skrivenom [1] Scott E. Fahlman, Christian Lebiere: The cascade-
sloju mree. Dati su prikazi stvarnih vrijednosti i vrijednosti correlation learning architecture; Advances in Neural
predvienih dobivenom neuronskom mreom. Faktor Information Processing Systems 2; D. S. Touretzky (ed.),
korelacije izmeu ove dvije skupine podataka iznosi 0.9423 Morgan-Kaufmann, Los Altos CA, 1990.
to se moe smatrati iznimno dobrom korelacijom. Takoer, [2] Hoehfeld, M. and S. E. Fahlman (1992) "Learning with
dobiven je i znaaj utjecaja pojedinih ulaznih veliina pri Limited Numerical Precision Using the Cascade-
emu najvei utjecaj ima brzina vjetra na mjernoj lokaciji Kr- Correlation Learning Algorithm", in IEEE Transactions
Paene. To je i logina pretpostavka budui da se na toj on Neural Networks, vol. 3, no. 4, pp. 602-611, July
lokaciji mjerenja obavljaju na najveoj visini (50 m) to je i 1992.
najblie osi vrtnje vjetroagregata. Jednako tako, predmetna [3] Dalekovod d.d. Tipski projekt stupa visine 50 m za
mjerna lokacija nalazi se u odnosu na lokaciju vjetroelektrane mjerenje vjetra, Dalekovod d.d. Zagreb, 2006.
Trtar-Krtolin na izravnoj putanji dominantog smjera vjetra na [4] NRG Systems, Symphonie data logger and accessories,
tom irem podruju odnosno na pravcu sjever-sjeveroistok to Hinesburg, USA, 2003.
se moe oitati iz rue vjetrova izmjerene na predmetnoj
lokaciji. [5] B. M. Petersen, T. F. Pedersen, H. Klug, N.van der Borg,
Na ovaj nain, koritenjem ove metode moe se predvidjeti N. Kelley, J. Alke Dahlberg, edited by R. S. Hunter,
izlazna djelatna snaga vjetroelektrane na mjestu predaje u Wind speed measurement and use of cup anemometry,
mreu, a na temelju mjernih podataka atmosferskih prilika i Recommended practices for wind turbine testing, 2003.
mjerenja karakteristika vjetra u okolici vjetroelektrane. [6] I.J. Ramrez-Rosado, L.A. Fernndez-Jimnez (Spain),
Metoda predstavlja vrlo upotrebljiv alat gledano sa statistike and C. Monteiro (Portugal); Artificial Neural Network
strane budui da predvieni podaci vrlo dobro koreliraju sa Models for Wind Power Short-Term Forecasting using
stvarnim podacima izmjerenim na samoj vjetroelektrani. Weather Predictions; Modelling, Identification, and
Nedostatak metode je u potrebi dueg mjerenja vremenski Control, MIC 2006; Lanzarote, Canary Islands, Spain
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.