Методика приведения исходных данных по ветроизмерениям к однородным в условиях местности со сложным рельефом

Цель – разработать методику, позволяющую привести исходные данные по ветроизмерениям, полученные с метеостанций, к условиям расположения ветроустановки или ветроэлектростанции с учетом рельефа местности. Для решения поставленной задачи предлагается использовать численное решение системы дифференциальных уравнений для условий турбулентной среды нижнего приземного слоя атмосферы (высота от поверхности земли не превышает 1000 м). В качестве объекта-аналога используется ветроустановка фирмы Kamai 300 кВт, установленная в пос. Усть-Камчатск. Используется упрощенная система уравнений, которая из-за специфики доступных исходных данных сводится к учету рельефа местности для определения величины скорости ветра на площадке ветроэлектростанции. Для определения рельефа используются спутниковые карты и известные таблицы приведенной шероховатости местности. Оценка применимости разработанной авторами методики, а также оценка влияния точности исходных данных для прогноза выработки ветроэлектростанции проводится на примере ветроресурсов в пос. Оссора, п-ов Камчатка. Показано, что предлагаемый подход позволяет снизить ошибку последующего прогноза выработки ветроэлектростанции до 15%. Кроме этого, предложенная методика не требует наличия большого числа лет наблюдений за суточным и годовым ходом изменения скорости ветра, что является актуальным для новых ветроэлектростанций. В связи с тем, что метеорологическая сеть предоставляет данные, актуальные для региона и описывающие его характеристики в целом, усложняется задача определения ресурса в конкретной точке региона с интервалом времени до 3-х ч. Предложенное решение касается как процесса проектирования, так и процесса эксплуатации ветроэлектростанции, т.к. позволяет получить распределение скорости ветра на площадке даже при условии использования данных, относящихся к региону большей площади.

1. Дерюгина Г.В., Игнатьев Е.В., Метт В.Д. Апробация программного комплекса «Wind Turbine» // Вестник Московского энергетического института. 2023. № 4. С. 80–90. https://doi.org/10.24160/1993-6982-2023-4-80-90. EDN: IUCQQE.

2. Mortensen N.G., Landberg L., Troen I., Lundtang Petersen E. Wind Atlas analysis and application program (WAsP) // User’s guide. Risø National Laboratory, 1993. Vol. 2. No. 666. 134 р.

3. Зубарев В.В., Минин В.А., Степанов И.Р. Использование энергии ветра в районах Севера: состояние, условия эффективности, перспективы: монография. Л.: Наука, 1989. 208 с. EDN: AHDKIG.

4. Николаев В.Г., Ганага С.В., Кудряшов Ю.И. Национальный кадастр ветроэнергетических ресурсов России и методические основы их определения. М.: Атмограф, 2008. 581 с. EDN: QTFSXD.

5. Zhang Yagang, Kong Xue, Wang Jingchao, Wang Hui, Cheng Xiaodan. Wind power forecasting system with data enhancement and algorithm improvement // Renewable & Sustainable Energy Reviews. 2024. Vol. 196. Р. 114349. https://doi.org/10.1016/j.rser.2024.114349.

6. Karasu S., Altan A., Saraç Z., Hacioglu R. Prediction of wind speed with non-linear autoregressive (NAR) neural networks // Ağları ile Tahmini: 25th Signal Processing and Communications Applications Conference (SIU) (Antalya, 15–18 May 2017). Antalya: IEEE, 2017. Р. 128703. https://doi.org/10.1109/SIU.2017.7960507.

7. Алиходжина Н.В., Дерюгина Г.В., Крупин Г.В. Суточный прогноз выработки ВЭС по данным наземной МС // Фёдоровские чтения – 2019 (г. Москва, 20–22 ноября 2019 г.). М.: МЭИ, 2019. С. 318–323. EDN: QVSESZ.

8. Niu Xinsong, Wang Jiyang. A combined model based on data preprocessing strategy and multi-objective optimization algorithm for short-term wind speed forecasting // Applied Energy. 2019. Vol. 241. P. 519–539. https://doi.org/10.1016/j.apenergy.2019.03.097.

9. Kariniotakis G.N., Stavrakakis G.S., Nogaret E.F. Wind power forecasting using advanced neural networks models // IEEE Transactions on Energy Conversion. 1996. Vol. 11. No. 4. P. 762–767. https://doi.org/10.1109/60.556376.

10. Potter C.W., Negnevitsky M. Very short-term wind forecasting for Tasmanian power generation // IEEE Transactions on Power Systems. 2006. Vol. 21. No. 2. P. 965–972. https://doi.org/10.1109/TPWRS.2006.873421.

11. Ribeiro M.H.D.M., Da Silva R.G., Moreno S., Mariani V.C. Efficient bootstrap stacking ensemble learning model applied to wind power generation forecasting // International Journal of Electrical Power & Energy Systems. 2022. Vol. 136. Р. 107712. https://doi.org/10.1016/j.ijepes.2021.107712.

12. Jiang Zheyong, Che Jinxing, Wang Lina. Ultra-short-term wind speed forecasting based on EMD-VAR model and spatial correlation // Energy Conversion and Management. 2021. Т. 250. Iss. 1-2. Р. 114919. https://doi.org/10.1016/j.enconman.2021.114919.

13. Дерюгина Г.В., Чернов Д.А., Тягунов М.Г., Алиходжина Н.В. Модели вертикального профиля ветра по данным ветроизмерительных комплексов полуострова Камчатка // Вестник Московского энергетического института. 2019. № 1. С. 35–42. https://doi.org/10.24160/1993-6982-2019-1-35-42. EDN: YWTSJV.

14. Дерюгина Г.В., Игнатьев Е.В., Голубков У.Ф. Методика разработки модели краткосрочного прогнозирования скорости ветра и выработки ветроэлектрической установки // Новое в российской электроэнергетике. 2024. № 10. С. 6–21. EDN: DJKAPZ.

15. Алиходжина Н.В., Тягунов М.Г., Шестопалова Т.А. Обзор существующих моделей и методов расчета основных характеристик ветра в определенной точке // Вестник Казанского государственного энергетического университета. 2024. Т. 16. № 3. С. 76–93. EDN: UXVION.

16. Зубакин В.А. Краткосрочное прогнозирование выработки ветровой электростанции // Энергетическая политика. 2022. № 8. С. 20–27. https://doi.org/10.46920/2409-5516_2022_8174_20. EDN: VFNJCH.

17. Соловьев Б.А., Гамисония Г.К. Методы прогнозирования мощности ветра для шельфовых ветроэлектростанций // Электротехнические и информационные комплексы и системы. 2022. Т. 18. № 3-4. С. 108–120. https://doi.org/10.17122/1999-5458-2022-18-3-4-108-120. EDN: VUQXCF.

18. Lv Sheng-Xiang, Wang Lin. Deep learning combined wind speed forecasting with hybrid time series decomposition and multi-objective parameter optimization // Applied Energy. 2022. Vol. 311. Iss. 5. Р. 118674. https://doi.org/10.1016/j.apenergy.2022.118674. EDN: IIPCWS.

19. Лайхтман Д.Л., Юдин М.И. Трансформация нижнего слоя воздуха под влиянием подстилающей поверхности// Доклад АН СССР. Л.: Гидрометеоиздат, 1953. Т. 93. № 2. С. 249–252.

20. Орленко Л.Р. Строение планетарного пограничного слоя. Л.: Гидрометеоиздат, 1979. 270 с.

21. Надежина Е.Д. К вопросу о влиянии скачка шероховатости подстилающей поверхности на режим турбулентного пограничного слоя // Труды Главной геофизической обсерватории им. А.И. Воейкова. 1970. Вып. 257. С. 109–116.

22. Радикевич В.М. Трансформация динамических характеристик воздушного потока под влиянием изменения шероховатости подстилающей поверхности // Известия Академии наук СССР. Физика атмосферы и океана. 1971. Т. 7. № 12. С. 1241–1250.

23. Дербенцева А.М. Эрозия и охрана почв. Владивосток: Дальневосточный университет, 2006. 85 с.