تخمین اقتصادی رزرو مورد نیاز مزارع بادی با بکارگیری شبکه عصبی در پیش‌بینی سرعت باد

امروزه گسترش به کارگیری منابع انرژی تجدیدپذیر به ویژه باد در تولید انرژی الکتریکی، موجب افزایش احتمال عدم تعادل بین میزان تولید و مقدار مصرف انرژی الکتریکی شده است. ازاین رو تخمین دقیق میزان ذخیرۀ موردنیاز مزارع بادی و کاهش هزینۀ تامین آن در سیستم های قدرت با نفوذ بالای انرژی باد، اهمیت بسیار فراوانی دارد. در این مقاله، با به کارگیری یک شیوۀ احتمالاتی، میزان ذخیرۀ موردنیاز یک مزرعۀ بادی تخمین زده شده است. ذخیرۀ موردنیاز مزرعۀ بادی به دو دسته تقسیم شده است که توسط منابع ذخیرۀ پاسخ سریع و منابع ذخیرۀ پاسخ آهسته تامین می شود. درواقع هدف از این تقسیم بندی، کاهش هزینۀ تامین ذخیره از طریق کاهش استفاده از منابع ذخیرۀ پاسخ سریع است که در مقایسه با منابع ذخیرۀ پاسخ آهسته گران ترند. پیش بینی سرعت باد توسط روش arima و روش شبکۀ عصبی مصنوعی، با استفاده از داده های واقعی اندازه گیری شده مربوط به یک مزرعۀ بادی نمونه در ایالت پنسیلوانیا آمریکا انجام شده است. در این مطالعه، با به کارگیری شبکۀ عصبی مصنوعی که یک روش مبتنی بر هوش مصنوعی است و نسبت به روش آماری و مرسوم arima، از دقت بیشتری برخوردار است، میزان ذخیرۀ موردنیاز مزرعۀ بادی و هزینۀ تامین این رزرو نیز کاهش خواهد یافت.

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

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 fastresponsive and slowresponsive resources. Indeed the purpose of this division is decreasing the cost of reserve provision by reducing the use of fastresponsive resources that is more expensive in comparison with slowresponsive 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.