Abordagem de estimativa de mínimos quadrados genéticos para modelagem de curva de energia eólica e previsão de energia eólica

Scientific Reports volume 13, Número do artigo: 9188 (2023) Citar este artigo

Detalhes das métricas

Curva de energia eólica (WPC) é um índice importante de turbinas eólicas, e desempenha um papel importante na previsão de energia eólica e monitoramento de condição de turbinas eólicas. Motivado pela estimativa de parâmetros do modelo da função logística na modelagem WPC, voltado para o problema de selecionar o valor inicial da estimativa dos parâmetros do modelo e o resultado ótimo local, com base na combinação de algoritmo genético e método de estimativa de mínimos quadrados, uma estimativa genética de mínimos quadrados (GLSE) método de estimação de parâmetros é proposto, e o resultado da estimativa ótima global pode ser obtido. Seis índices de avaliação, incluindo a raiz do erro quadrático médio, o coeficiente de determinação R2, o erro absoluto médio, o erro percentual médio absoluto, o critério de informação Akaike aprimorado e o critério de informação bayesiano são usados ​​para selecionar o modelo de curva de potência ideal nos diferentes candidatos modelos e evitar o ajuste excessivo do modelo. Finalmente, para prever a produção anual de energia e a potência de saída das turbinas eólicas, um modelo de velocidade do vento de distribuição de mistura Weibull de dois componentes e um modelo de curva de potência de função logística de cinco parâmetros são aplicados em um parque eólico da província de Jiangsu, China. Os resultados mostram que a abordagem GLSE proposta neste artigo é viável e eficaz na modelagem WPC e na previsão de energia eólica, o que pode melhorar a precisão da estimativa dos parâmetros do modelo, e a função logística de cinco parâmetros pode ser preferida em comparação com o polinômio de alta ordem e quatro -função logística de parâmetro quando a precisão de ajuste está próxima.

Com o desenvolvimento social e econômico, o processo de urbanização é indissociável do uso massivo de energia. O aumento dramático na demanda de energia levou a um consumo substancial de recursos não renováveis, como carvão e petróleo. No entanto, as reservas tradicionais de energia são limitadas e não podem ser exploradas e utilizadas sem restrições. Ao mesmo tempo, a queima de carvão, petróleo e outras energias fósseis é seriamente prejudicial à atmosfera, como o clima nebuloso nas cidades. As altas emissões de dióxido de carbono e outros gases de efeito estufa causaram os problemas ambientais globais. Portanto, a demanda por energia verde, limpa e renovável, como energia eólica e energia solar, é cada vez mais esperada.

Nas últimas décadas, a energia eólica desenvolveu-se rapidamente, mas apresenta muitas incertezas em comparação com a energia fóssil tradicional. Portanto, um método de avaliação preciso e eficaz da energia eólica é de grande importância para estudar a conexão da rede de energia eólica em grande escala e a seleção do local do parque eólico1,2,3,4. Para estimar a potência da turbina eólica, a volatilidade e a intermitência do sistema de energia eólica são geralmente investigadas estabelecendo um modelo matemático no método estatístico. No entanto, o processo de modelagem é complicado devido à natureza estocástica, distribuições bimodais ou multimodais da velocidade do vento5. A curva de energia eólica (WPC), que expressa a relação não linear entre a velocidade do vento na altura do cubo e a potência real das turbinas eólicas, é comumente usada para estimar o recurso eólico em um parque eólico6,7,8,9,10,11,12 ,13. Além da avaliação e previsão dos recursos eólicos, o WPC também desempenha um papel importante no monitoramento do status das turbinas eólicas. Portanto, o WPC é uma importante métrica de desempenho de turbinas eólicas e é crucial estabelecer um WPC preciso e confiável14,15,16,17. Por várias razões, os dados brutos do vento contêm alguns valores discrepantes causados ​​por falhas nas turbinas eólicas e equipamentos de medição, condições climáticas extremas, etc. Para melhorar a precisão da previsão da energia eólica, esses dados anormais devem ser limpos antes da modelagem WPC18,19. Na literatura, existem dois tipos de métodos amplamente utilizados para limpar dados anormais: (1) método de agrupamento ou método de reconhecimento de imagem usando dados de velocidade do vento e (2) valor médio, variância e método de distribuição de probabilidade com base nas características de distribuição de dados anormais. Neste estudo, um método combinado Bayesiano de mudança de ponto-quartil é utilizado para limpar dados anormais20.