تخمين اقتصادي ذخيره موردنياز مزارع بادي با به‌كارگيري شبكه عصبي در پيش‌بيني سرعت باد

Economic Estimation of Reserve Requirements of Wind Farms with using Neural Networks to Predict Wind Speed

امروزه گسترش به‌كارگيري منابع انرژي تجديدپذير به‌ويژه باد در توليد انرژي الكتريكي، موجب افزايش احتمال عدمتعادل بين ميزان توليد و مقدار مصرف انرژي الكتريكي شده است. ازاين‌رو تخمين دقيق ميزان ذخيره موردنياز مزارع بادي و كاهش هزينه تامين آن در سيستم‌هاي قدرت با نفوذ بالاي انرژي باد، اهميت بسيار فراواني دارد. در اين مقاله، با به‌كارگيري يك شيوه احتمالاتي، ميزان ذخيره موردنياز يك مزرعه بادي تخمين زده شده ‌است. ذخيره موردنياز مزرعه ‌بادي به دو دسته تقسيم شده ‌است كه توسط منابع ذخيره پاسخ سريع و منابع ذخيره پاسخ آهسته تامين مي‌شود. درواقع هدف از اين تقسيم‌بندي، كاهش هزينه تامين ذخيره از طريق كاهش استفاده از منابع ذخيره پاسخ سريع است كه در مقايسه با منابع ذخيره پاسخ آهسته گران‌ترند. پيش‌بيني سرعت باد توسط روش ARIMA و روش شبكه عصبي مصنوعي ، با استفاده از داده‌هاي واقعي اندازه‌گيري‌شده مربوط به يك مزرعه بادي نمونه در ايالت پنسيلوانيا آمريكا انجام شده ‌است. در اين مطالعه، با به‌كارگيري شبكه عصبي مصنوعي كه يك روش مبتني بر هوش مصنوعي است و نسبت‌به روش آماري و مرسوم ARIMA، از دقت بيشتري برخوردار است، ميزان ذخيره موردنياز مزرعه بادي و هزينه تامين اين رزرو نيز كاهش خواهد يافت.

Nowadays, increasing the renewable energy applications in power system, especially wind power, has caused higher imbalance probability between generation and demand. Therefore, an accurate estimation of wind farm reserve requirements and the reserve cost reduction in power systems with high wind power penetration is very important. In this paper, the reserve requirements of a wind farm are estimated by using a probabilistic approach. Reserve requirements of wind farm are divided into two categories provided by fast-responsive and slow-responsive resources. Indeed the purpose of this division is decreasing the cost of reserve provision by reducing the use of fast-responsive resources that is more expensive in comparison with slow-responsive resources. Wind speed prediction has been done by the ANN (Artificial Neural Network) and ARIMA (Autoregressive Integrated Moving Average), with using real measured data on a wind farm in the state of Pennsylvania. In this study, the Reserve requirements of wind farms and the cost of provision of reserve requirements will be reduced by using artificial neural networks that is a method based on artificial intelligence and is more accurate than statistical and traditional method ARIMA.