The utilities have other criteria t

The utilities have other criteria to evaluate the quality of predictions. A too optimistic
forecast of wind power, for examples, causes a lack of power in the system and the utility
has to buy expensive regulation power. As opposed to this, a too pessimistic prediction
is not as expensive for the utility. However, unless the predicted and the true wind power
exceeds a certain amount (a couple of hundred megawatts in a TSO area) the error is
negligible. The goal for the development of forecast systems is to achieve a minimum
RMSE and a maximum correlation. Optimisation of the systems for the economic needs
of the utilities is then a subsequent step.
All the systems first calculate the power output of single wind farms. They then apply
an upscaling algorithm to obtain the sum power of the entire supply area. Regardless of
the applied system, the RMSE for a single wind farm is between 10% and 20%. After
upscaling to the sum power, the RMSE drops under 10% because of the smoothing
effects produced by adding different signals. The larger the area the better the overall
prediction (for further information, see Holttinen, Nielsen and Giebel, 2002).
The systems are difficult to compare because they are applied in different areas. The
Danish systems run in a mostly flat terrain, which makes obtaining an accurate NWP
much easier, There are fewer slack periods, though, and the average wind power output
is higher, which increases the overall error. In Germany, it is much more difficult to
arrive at an accurate NWP, especially in the lower mountain areas, but periods of low
wind power, especially in the summer, decrease the overall RMSE.
It is impossible to decide which of the described systems is best, unless they are
compared under the same circumstances. It all depends on the user’s needs and his or
her abilities of providing data. Zephyr, AWPT and SIPREO´
LICO are probably super-ior regarding the entire prediction horizon from 1 to 48 hours. However, the costs
related to setting up the system are high, especially for collecting online data.
Systems using physical equations, such as Prediktor or Previento, require the exact
location and environment of the wind farms they predict. They also need a long
computation time to transform the geostrophic wind speed down to the hub heights
of the wind turbines, with WAsP or similar programs. Statistical models, such as WPPT
and AWPT, however, need time to learn the correlation between wind and power when
they are being set up, but they require only aminimumof computing time. The ANEMOS
project, funded by the European Commission, compares different approaches of
forecasting and is developing a new system that is expected to outperform the existing
systems (http://anemos.cma.fr).
All prediction systems have produced unsatisfactory forecasts in the following
situations:
. during very-fast-changing weather conditions;
. in very high wind situations (storms), when wind turbines cut out for safety
reasons;
. when very local weather changes (thunderstorms) cause problems to the upscaling;
. when bad measurements are produced that are not automatically detected (only for
systems using online data);
. when weather service forecasts are delayed or missing;
. when meteorological forecast data are poor (very often, a time shift between forecast
and real data causes a large error).

Kết quả (Việt) 1:

Các tiện ích có khác tiêu chí để đánh giá chất lượng của dự báo. Quá lạc quandự báo năng lượng gió, cho ví dụ, nguyên nhân thiếu điện trong hệ thống và các tiện íchđã mua đắt tiền quy định quyền lực. Như trái ngược với điều này, dự đoán bi quan quákhông phải là đắt đối với các tiện ích. Tuy nhiên, trừ khi các dự đoán và đúng lượng gióvượt quá một số tiền nhất định (một vài trăm MW tại một khu vực TSO) các lỗi làkhông đáng kể. Mục tiêu cho sự phát triển của hệ thống dự báo là để đạt được mức tối thiểuWhattheschmidt và một sự tương quan tối đa. Tối ưu hóa các hệ thống cho các nhu cầu kinh tếCác tiện ích sau đó là một bước tiếp theo.Tất cả các hệ thống đầu tiên tính toán đầu ra sức mạnh của trang trại gió duy nhất. Họ sau đó áp dụngmột thuật toán upscaling để có được sức mạnh tổng hợp của khu vực cung cấp toàn bộ. Bất kểHệ thống ứng dụng, Whattheschmidt cho một trang trại gió duy nhất là từ 10% đến 20%. Sau khiupscaling đến sức mạnh tổng hợp, Whattheschmidt giọt nhỏ hơn 10% vì làm mịn cáchiệu ứng được sản xuất bằng cách thêm các tín hiệu khác nhau. Lớn hơn các khu vực tốt hơn tổng thểdự báo (để biết thêm chi tiết, xem Holttinen, Nielsen và Giebel, 2002).Các hệ thống rất khó so sánh bởi vì họ được áp dụng trong các lĩnh vực khác nhau. CácĐan Mạch hệ thống chạy ở một địa hình chủ yếu là bằng phẳng, làm cho việc thu thập một NWP chính xácdễ dàng hơn nhiều, có rất ít slack thời gian, mặc dù, và sản lượng điện gió trung bìnhcao hơn, mà làm tăng tổng thể lỗi. Ở Đức, nó là nhiều khó khăn hơn đểđi đến một NWP chính xác, đặc biệt là ở các vùng núi thấp, nhưng thời gian thấpnăng lượng gió, đặc biệt là trong mùa hè, giảm Whattheschmidt tổng thể.Nó không thể quyết định của các hệ thống được mô tả là tốt nhất, trừ khi họ đangso sánh theo các trường hợp tương tự. Tất cả phụ thuộc vào nhu cầu của người dùng và của mình hoặckhả năng của mình trong việc cung cấp dữ liệu. Zephyr, AWPT và SIPREO´LICO có thể là siêu-ior về phía chân trời toàn bộ dự đoán từ 1 đến 48 giờ. Tuy nhiên, các chi phíliên quan đến việc thiết lập hệ thống cao, đặc biệt là để thu thập dữ liệu trực tuyến.Hệ thống bằng cách sử dụng phương trình vật lý, ví dụ như Prediktor hoặc Previento, đòi hỏi chính xácvị trí và môi trường của trang trại gió họ dự đoán. Họ cũng cần có một chặng đường dàitính toán thời gian chuyển đổi tốc độ geostrophic gió xuống trung tâm heightsCác tuabin gió, WAsP hoặc chương trình tương tự. Thống kê các mô hình, chẳng hạn như WPPTvà AWPT, Tuy nhiên, cần thời gian để tìm hiểu sự tương quan giữa gió và năng lượng khihọ đang được thiết lập, nhưng họ cần phải chỉ aminimumof thời gian tính toán. Các ANEMOSdự án, tài trợ bởi Ủy ban châu Âu, so sánh các phương pháp khác nhau củadự báo và phát triển một hệ thống mới dự kiến sẽ tốt hơn hiện tạiHệ thống (http://anemos.cma.fr).Tất cả các hệ thống dự báo đã sản xuất các dự báo không đạt yêu cầu tại đâytình huống:. trong điều kiện thời tiết rất nhanh-thay đổi;. trong những tình huống rất cao gió (bão), khi tua-bin gió cắt ra cho an toànlý do;. Khi thay đổi thời tiết địa phương rất (sương) gây ra vấn đề để upscaling;. Khi xấu số đo được sản xuất mà không tự động được phát hiện (chỉ dành choHệ thống bằng cách sử dụng dữ liệu trực tuyến);. khi dịch vụ dự báo thời tiết đang bị trì hoãn hoặc mất tích;. Khi dữ liệu dự báo khí tượng là người nghèo (rất thường xuyên, một thời gian thay đổi giữa các thờivà dữ liệu thực tế gây ra một lỗi lớn).

Kết quả (Việt) 2:

Các tiện ích có tiêu chí khác để đánh giá chất lượng của các dự đoán. Một quá lạc quan
dự báo năng lượng gió, cho ví dụ, gây thiếu điện trong hệ thống và các tiện ích
có để mua điện quy định tốn kém. Trái ngược với điều này, một dự đoán quá bi quan
không phải là tốn kém cho các tiện ích. Tuy nhiên, trừ những dự đoán và năng lượng gió thực sự
vượt quá một mức nhất định (một vài trăm MW trong một khu vực TSO) lỗi này là
không đáng kể. Mục tiêu cho sự phát triển của các hệ thống dự báo là để đạt được một mức tối thiểu
RMSE và một tương quan tối đa. Tối ưu hóa hệ thống cho các nhu cầu kinh tế
của các tiện ích sau đó là một bước tiếp theo.
Tất cả các hệ thống đầu tiên tính toán sản lượng điện của các trang trại gió duy nhất. Sau đó, họ áp dụng
một thuật toán upscaling để có được sức mạnh tổng hợp của toàn bộ khu vực cung ứng. Bất kể
các hệ thống áp dụng, RMSE cho một trang trại gió duy nhất là giữa 10% và 20%. Sau khi
phóng tỉ lệ với sức mạnh tổng hợp, các RMSE xuống dưới 10% vì làm mịn
ảnh hưởng sản xuất bằng cách thêm các tín hiệu khác nhau. Các khu vực tốt hơn tổng thể lớn hơn
dự đoán (để biết thêm thông tin, xem Holttinen, Nielsen và Giebel, 2002).
Các hệ thống này rất khó để so sánh vì chúng được áp dụng trong các lĩnh vực khác nhau. Các
hệ thống của Đan Mạch chạy trong một địa hình chủ yếu là bằng phẳng, mà làm cho có được một NWP chính xác
dễ dàng hơn nhiều, có ít thời gian thấp điểm, mặc dù, và sản lượng điện gió trung bình
là cao hơn, làm tăng các lỗi chung. Tại Đức, nó là nhiều khó khăn hơn để
đi đến một NWP chính xác, đặc biệt là ở các khu vực núi thấp hơn, nhưng thời kỳ thấp
năng lượng gió, đặc biệt là vào mùa hè, giảm RMSE tổng thể.
Nó không thể quyết định đó của hệ thống được mô tả là tốt nhất, trừ khi chúng được
so sánh trong các trường hợp tương tự. Tất cả phụ thuộc vào nhu cầu của người dùng và của ông hay
khả năng của mình để cung cấp dữ liệu. Zephyr, AWPT và SIPREO'
LICO có lẽ là siêu ior liên quan đến toàn bộ chân trời dự đoán 1-48 giờ. Tuy nhiên, các chi phí
liên quan đến việc thiết lập hệ thống này rất cao, đặc biệt là để thu thập dữ liệu trực tuyến.
Hệ thống sử dụng các phương trình vật lý, chẳng hạn như Prediktor hoặc Previento, đòi hỏi sự chính xác
vị trí và môi trường của các trang trại gió họ dự đoán. Họ cũng cần một dài
thời gian tính toán để chuyển đổi tốc độ gió geostrophic xuống đến độ cao trung tâm
của các tua bin gió, với WAsP hoặc chương trình tương tự. Mô hình thống kê, chẳng hạn như WPPT
và AWPT, tuy nhiên, cần có thời gian để tìm hiểu những mối tương quan giữa gió và sức mạnh khi
họ đang được thiết lập, nhưng họ chỉ yêu cầu aminimumof thời gian tính toán. Các Anemos
dự án được tài trợ bởi Ủy ban châu Âu, so sánh các phương pháp khác nhau của
dự báo và đang phát triển một hệ thống mới này dự kiến sẽ tốt hơn hiện tại
hệ thống (http://anemos.cma.fr).
Tất cả các hệ thống dự báo đã sản xuất dự báo không đạt yêu cầu trong sau
tình huống:
. trong rất nhanh thay đổi điều kiện thời tiết;
. trong các tình huống gió rất cao (bão), khi tuabin gió cắt ra cho an toàn
lý do;
. khi thời tiết thay đổi rất địa phương (giông) gây ra vấn đề cho upscaling;
. khi đo xấu được sản xuất mà không được tự động phát hiện (chỉ dành cho
các hệ thống sử dụng dữ liệu trực tuyến);
. khi dự báo thời tiết vụ bị trì hoãn hoặc mất tích;
. khi dữ liệu dự báo khí tượng là người nghèo (rất thường xuyên, một sự thay đổi thời gian giữa dự báo
và số liệu thực tế gây ra một lỗi lớn).