Short-term wind speed and power forecasting: A comprehensive case study for three operational wind farms

Abstract

Wind energy is gradually growing with the increasing energy demand. However, the rising wind power penetration into modern grids could seriously affect the safe operation of power systems and power quality due to the intermittence and randomness of wind characteristics. Several effective ways could be considered to mitigate these issues: a robust power grid, energy storage, and wind power forecasting. Optimal integration of wind energy into power systems calls for high-quality wind power predictions. This research focuses on the short-term forecast of wind speed and power generation. Firstly, wind speed forecasting is studied. A case study is performed to analyze the forecasting performance of five approaches: the multivariate Facebook Prophet, seasonal autoregressive integrated with moving average (SARIMA), SARIMA with exogenous variable (SARIMAX), gated recurrent units (GRU) and long short-term memory (LSTM). The performance indicators are applied to verify the effectiveness of models, which are R-square (R2), mean square error (MSE), root mean square error (RMSE), and mean absolute error (MAE). The predictions obtained by the LSTM model almost coincide with the real-time wind speed, which is also supported by the performance indicators, which indicate that the LSTM model outperforms the other methods for the real-time dataset of IZTECH meteorological mast. The second part of the study is to forecast the wind power generation using the LSTM model and the wind speed forecasts and wind speed power curve of wind turbines in the wind farms. The proposed model is validated using the real-time wind power generation data from the EPIAS Transparency Platform. Due to the unavailable meteorological dataset, an ERA5 dataset of the location is used to predict wind speed and power generation. Also, each wind farm's daily forecasts are obtained to investigate the results for Day-ahead Market. The results indicate that using the LSTM model with the ERA5 dataset could give better forecasts than wind farms’ own forecasts. Additionally, it is understood that if the SCADA data could be obtained, the forecasting performance might be increased.

Rüzgâr enerjisi, artan enerji talebi ile giderek büyümektedir. Bununla birlikte, modern şebekelerde artan rüzgâr enerjisi entegrasyonu, rüzgarın doğası gereği aralıklı ve rastgele olması nedeniyle güç sistemlerinin güvenli çalışmasını ve güç kalitesini ciddi şekilde etkileyebilir. Rüzgâr enerjisinin güç sistemlerine optimum entegrasyonu, yüksek kaliteli rüzgâr enerjisi tahminlerini gerektirir. Bu araştırma, rüzgâr hızı ve güç üretiminin kısa vadeli tahminine odaklanmaktadır. İlk olarak rüzgâr hızı tahmini incelenmiştir. Beş farklı yaklaşımın tahmin performansını analiz etmek için kapsamlı bir vaka çalışması yapılmıştır: çok değişkenli Facebook Prophet, hareketli ortalama ile entegre mevsimsel otoregresif (SARIMA), dış değişkenli SARIMA (SARIMAX), kapılı tekrarlayan birimler (GRU), ve uzun kısa süreli bellek (LSTM) modelleri kullanılmıştır. Performas göstergeleri, R-kare (R2), ortalama kare hata (MSE), ortalama karakök hata (RMSE), ve ortalama mutlak hata (MAE), modellerin etkinliğini doğrulamak için uygulanmıştır. LSTM modeli ile elde edilen tahminler, gerçek zamanlı rüzgâr hızı ile neredeyse örtüşmekte olup, aynı zamanda performans göstergeleri tarafından da desteklenmektedir. Bu da, LSTM modelinin IYTE ölçüm direğinin veri seti için diğer yöntemlerden daha iyi performans sergilediğini göstermektedir. Çalışmanın ikinci kısmı, rüzgâr tarlalarında rüzgâr hızı tahmini ve rüzgâr rütbinlerine ait güç eğrilerini, ve LSTM modelini kullanarak rüzgâr enerjisi üretiminin tahmin edilmesidir. Önerilen model, EPİAŞ Şeffaflık Platformu’ndan alınan rüzgâr enerjisi üretim verileri kullanılarak doğrulanmıştır. Mevcut olmayan meteorolojik veri seti nedeniyle, rüzgar hızını ve güç üretimini tahmin etmek için konumun ERA5 veri seti kullanılmıştır. Ayrıca, Gün Öncesi Piyasası için her bir rüzgar santralinin günlük tahminleri elde edilmiştir. Sonuçlar, ERA5 veri seti ile LSTM modelininin kullanılmasının, rüzgar tarlalarının kendi tahminlerinden daha iyi tahminler verebileceğini göstermektedir. Ayrıca SCADA verilerinin elde edilmesi durumunda tahmin performansının arttırılabileceği anlaşılmıştır.