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).
Wind Power in Power Systems 379
17.4.2 Outlook
The largest potential for achieving better prediction accuracy lies in an improved NWP
model. A wind power model cannot be better than its weather input data. Running the
NWP models repeatedly with slightly different input data (ensemble forecasting) will
give the most probable result. Furthermore, the spread of the single results of the
ensemble will provide an estimation of the uncertainty, which is also very helpful for
users of the model.
The systems using online data can improve the NWP-based forecast, but only for a
small prediction horizon of a few hours ahead. Nevertheless, a lot of research will be
dedicated to these forecasts, because they are very interesting from a technical point of
view. Many of the new power plants are fast adjustable, such as gas turbines or small
combined heat and power plants with heat storage. With a very accurate and reliable
forecast for the next few hours, these plants do not have to idle but can be switched off if
there is sufficient wind. This will help to save fossil fuel and achieve maximum benefits
from wind power regarding energy saving.
Another major field of future development is prediction for offshore wind farms.
Although weather prediction for offshore sites seems at first sight to be easy because of
the flat orography, the interaction between wind and waves and coastal effects requires
further work.
In addition to short-term predictions, power plant operators have an increased
interest in seasonal forecasts in order to be able to plan their fuel stock accurately.
References
[1] Bailey, B., Brower, M., Zack, J. (200

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).Năng lượng gió trong hệ thống điện 37917.4.2 outlookTiềm năng lớn nhất để đạt được tốt hơn dự đoán chính xác nằm ở một NWP cải tiếnMô hình. Một mô hình năng lượng gió không thể tốt hơn so với dữ liệu đầu vào thời tiết. Chạy cácNWP các mô hình liên tục với đầu vào dữ liệu hơi khác nhau (ensemble dự báo) sẽcho kết quả có thể xảy ra nhất. Hơn nữa, sự lây lan của các kết quả duy nhất của cáctoàn bộ sẽ cung cấp một ước tính của sự không chắc chắn, đó cũng là rất hữu ích chongười dùng của các mô hình.Hệ thống bằng cách sử dụng dữ liệu trực tuyến có thể cải thiện thời dựa trên NWP, nhưng chỉ cho mộtdự đoán nhỏ đường chân trời một vài giờ trước. Tuy nhiên, nhiều nghiên cứu sẽdành riêng cho các dự báo, bởi vì họ là rất thú vị từ một điểm kỹ thuật củaxem. Nhiều người trong số các nhà máy điện mới phải nhanh chóng điều chỉnh, chẳng hạn như tua bin khí hoặc nhỏkết hợp nhiệt và nhà máy điện với nhiệt độ lưu trữ. Với một rất chính xác và đáng tin cậydự báo trong vài giờ tiếp theo, các loài cây này không phải nhàn rỗi nhưng có thể được tắt nếuđó là đủ gió. Điều này sẽ giúp tiết kiệm nhiên liệu hóa thạch và đạt được lợi ích tối đatừ sức gió về tiết kiệm năng lượng.Một lĩnh vực lớn của sự phát triển trong tương lai là dự đoán cho các trang trại gió ngoài khơi.Mặc dù thời tiết dự đoán cho các trang web nước ngoài có vẻ ngay lần đầu tiên được dễ dàng vìorography bằng phẳng, đòi hỏi sự tương tác giữa gió và sóng và ven biển hiệu ứngtiếp tục làm việc.Ngoài việc dự báo ngắn hạn, vận hành nhà máy điện có một tăngquan tâm đến các dự báo theo mùa để có thể để lên kế hoạch cổ phần nhiên liệu của họ một cách chính xác.Tài liệu tham khảo[1] Bailey, B., Brower, M., Zack, J. (200

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).
Phong điện trong hệ thống điện 379
17.4.2 Outlook
Tiềm năng lớn nhất để đạt được độ chính xác dự đoán tốt hơn nằm trong một NWP cải thiện
mô hình. Một mô hình năng lượng gió không thể tốt hơn so với dữ liệu thời tiết đầu vào của nó. Chạy
mô hình NWP nhiều lần với các dữ liệu đầu vào hơi khác nhau (dự báo tổ hợp) sẽ
cho kết quả có thể xảy ra nhất. Hơn nữa, sự lây lan của các kết quả duy nhất của
quần thể sẽ cung cấp một ước tính của sự không chắc chắn, mà cũng rất hữu ích cho
người sử dụng của mô hình.
Các hệ thống sử dụng dữ liệu trực tuyến có thể cải thiện dự báo NWP dựa trên, nhưng chỉ cho một
chân trời tiên đoán nhỏ của một vài giờ trước. Tuy nhiên, rất nhiều nghiên cứu sẽ được
dành riêng cho những dự báo trên, vì chúng rất thú vị từ một điểm kỹ thuật của
xem. Nhiều người trong số các nhà máy điện mới đang nhanh chóng điều chỉnh, chẳng hạn như các tuabin khí hoặc nhỏ
nhiệt và năng lượng thực vật kết hợp với lưu trữ nhiệt. Với rất chính xác và đáng tin cậy
dự báo trong vài giờ tiếp theo, các nhà máy này không có nhàn rỗi, nhưng có thể được tắt nếu
có đủ gió. Điều này sẽ giúp tiết kiệm nhiên liệu hoá thạch và đạt được lợi ích tối đa
từ nguồn điện gió về tiết kiệm năng lượng.
Một lĩnh vực quan trọng của sự phát triển trong tương lai là dự đoán cho các trang trại gió ngoài khơi.
Mặc dù thời tiết dự đoán cho các trang web nước ngoài dường như ngay từ cái nhìn đầu tiên là dễ dàng vì
các orography phẳng, sự tương tác giữa gió và sóng và các hiệu ứng ven biển đòi hỏi phải
tiếp tục làm việc.
Ngoài dự đoán ngắn hạn, vận hành nhà máy điện có tăng
lãi suất trong dự báo theo mùa để có thể lập kế hoạch cổ nhiên liệu của họ một cách chính xác.
Tài liệu tham khảo
[1] Bailey, B ., Brower, M., Zack, J. (200