<  Back to the Polytechnique Montréal portal

Amélioration des prévisions immédiates du vent et de la production éolienne

Olivia Beauregard-Harvey

Masters thesis (2018)

[img]
Preview
Download (6MB)
Cite this document: Beauregard-Harvey, O. (2018). Amélioration des prévisions immédiates du vent et de la production éolienne (Masters thesis, École Polytechnique de Montréal). Retrieved from https://publications.polymtl.ca/3127/
Show abstract Hide abstract

Abstract

Le vent est une variable météorologique extrêmement difficile à prédire. Augmenter la précision des prévisions de vent à court terme (jusqu’à 12 heures à l’avance) est nécessaire pour optimiser les opérations des parcs éoliens, maximiser leur rendement, et favoriser leur développement. L’objectif de ce projet est donc d’améliorer les techniques existantes de prévision des vitesses de vent et de la puissance produite par les éoliennes. Suite à une revue de littérature approfondie des techniques de prévision du vent, le filtre de Kalman est identifié comme l’approche la plus prometteuse. Il s’agit d’une méthode adaptative de correction de l’erreur associée aux modèles de prévision physiques, qui peut être appliquée presque instantanément puisqu’elle ne nécessite pas de longue période d’entraînement sur un ensemble de données historiques. La plupart des approches récentes reposent sur les prévisions de vitesse de vent uniquement comme paramètre d’entrée, alors qu’il a été mentionné à plusieurs reprises dans la littérature que l’ajout d’autres variables, notamment la direction du vent, devrait être considéré pour améliorer la précision des modèles. Il a déjà été démontré pour certaines approches (par exemple, les réseaux de neurones artificiels), que la direction permettait de réduire l’erreur moyenne. En revanche, l’ajout de la direction dans les modèles de filtre de Kalman appliqués à la vitesse du vent ou à la puissance n’a pas été étudié à ce jour. Dans le cadre de ce projet, une nouvelle méthode est proposée, selon laquelle des filtres de Kalman sont modélisés de façon à tenir compte de la direction du vent comme paramètre d’entrée. Le biais entre les prévisions brutes d’un modèle de prévision numérique du temps et les observations est modélisé de façon non linéaire, en fonction de la vitesse et la direction du vent. Pour la prévision de la puissance, deux approches sont développées pour les cas où des observations de vitesse de vent ne sont pas disponibles. D’une part, un filtre de Kalman est appliqué à la puissance directement afin d’estimer son biais. D’autre part, une technique selon laquelle les puissances observées sont converties en vitesses de vent fictives par la courbe de puissance inverse est introduite, dans le but d’appliquer les filtres sur la vitesse du vent. Les données historiques de prévision et d’observation de 20 sites situés en Europe et en Amérique du Nord sont utilisées pour analyser la performance des modèles. Afin de quantifier la précision des différents modèles, plusieurs indicateurs sont calculés, notamment le biais, le Mean Absolute Error (MAE) et le Root-Mean-Square Error (RMSE).----------Abstract Short term wind speed and wind power production have been studied thoroughly in the last decades. Wind is a highly fluctuating meteorological parameter, and improving the accuracy of wind speed forecasts is essential to favor the expansion of the wind energy sector, and thus lower our dependence on fossil fuels. Essentially, enhancing the quality of short term wind speed forecasts (up to 12 hours ahead) is necessary in order to optimize wind farm operations and maximize their economic profitability. The purpose of this project is therefore to improve existing wind speed and wind power output prediction techniques. Following a comprehensive literature review, the Kalman Filter appears as the most promising approach. It is an adaptive method that corrects the bias associated to the Numerical Weather Prediction (NWP) models, and which can be applied almost instantly without prior training on an extensive set of historical data. Most of the recent techniques rely exclusively on wind speed data input, while it is mentioned numerous times in literature that more input parameters, particularly wind direction, should be considered in order to improve forecast accuracy. It has already been shown that for some approaches, such as Artificial Neural Networks, the addition of wind direction leads to reduced forecast errors. However, introducing wind direction into the Kalman Filter models has not been studied to this date. In this project, a novel approach is introduced, where Kalman Filter algorithms are used to estimate the bias of NWP forecasts as non-linear functions of wind speed and wind direction. As for wind power forecast, two techniques are introduced for wind farms where power measurement is the sole available data. Firstly, wind power bias is estimated by a Kalman Filter applied to power forecasts. Secondly, an Inverse Power Curve Transformation is used to convert observed power production into estimated wind speed values to then apply the filter directly on wind speeds. The forecast values of wind speed are then converted back into power forecasts with the usual power curve. Historical measurement and forecast data from 20 wind farms located throughout Europe and North America have been made available for this study. In order to quantify the accuracy of the models developed in this research, various performance indicators were used, such as bias, Mean Absolute Error (MAE) and Root-Mean-Square Error (RMSE). For Kalman Filters applied on wind speed, the first order polynomial has shown the best results, whereas for power output, higher order polynomials have shown better performances in correcting the bias. Furthermore, the addition of wind direction into the bias modeling allows achieving higher accuracy for all of the studied approaches.

Open Access document in PolyPublie
Department: Département de génie électrique
Dissertation/thesis director: Roland Malhamé and Christophe Sibuet Watters
Date Deposited: 17 Oct 2018 11:38
Last Modified: 24 Oct 2018 16:13
PolyPublie URL: https://publications.polymtl.ca/3127/

Statistics

Total downloads

Downloads per month in the last year

Origin of downloads

Repository Staff Only