search query: @keyword tukivektorikone / total: 9
results-list
reference: 7 / 9
« previous | next »
Author:Järvenpää, Lari
Title:Production planning of a wind farm based on wind speed forecasting
Tuulivoimapuiston tuotannonsuunnittelu tuuliennusteiden pohjalta
Publication type:Master's thesis
Publication year:2010
Pages:(13) + 93      Language:   eng
Department/School:Automaatio- ja systeemitekniikan laitos
Main subject:Systeemitekniikka   (AS-74)
Supervisor:Koivo, Heikki
Instructor:Tuominen, Arto
Electronic version URL: http://urn.fi/URN:NBN:fi:aalto-201203131433
OEVS:
Electronic archive copy is available via Aalto Thesis Database.
Instructions
close

Reading digital theses in the closed network of the Aalto University Harald Herlin Learning Centre

In the closed network of Learning Centre you can read digital and digitized theses not available in the open network.

The Learning Centre contact details and opening hours: https://learningcentre.aalto.fi/en/harald-herlin-learning-centre/

You can read theses on the Learning Centre customer computers, which are available on all floors.

Logging on to the customer computers

  • Aalto University staff members log on to the customer computer using the Aalto username and password.
  • Other customers log on using a shared username and password.

Opening a thesis

  • On the desktop of the customer computers, you will find an icon titled:

    Aalto Thesis Database

  • Click on the icon to search for and open the thesis you are looking for from Aaltodoc database. You can find the thesis file by clicking the link on the OEV or OEVS field.

Reading the thesis

  • You can either print the thesis or read it on the customer computer screen.
  • You cannot save the thesis file on a flash drive or email it.
  • You cannot copy text or images from the file.
  • You cannot edit the file.

Printing the thesis

  • You can print the thesis for your personal study or research use.
  • Aalto University students and staff members may print black-and-white prints on the PrintingPoint devices when using the computer with personal Aalto username and password. Color printing is possible using the printer u90203-psc3, which is located near the customer service. Color printing is subject to a charge to Aalto University students and staff members.
  • Other customers can use the printer u90203-psc3. All printing is subject to a charge to non-University members.
Location:P1 Ark Aalto  4990   | Archive
Keywords:wind farm
wind power prediction
wind speed forecasting
prediction uncertainty
electricity markets
support vector machine
tuulivoimapuisto
tuulivoimaennustaminen
tuulennopeuden ennustaminen
ennustusten epävarmuus
sähkömarkkinat
tukivektorikone
Abstract (eng): In recent years, the use of wind power has expanded significantly in many countries and shall continue on that track in the future as well.
In the everyday operation of wind power producers, predicting the future output of wind power is of key interest.
The structure of electricity markets imposes upon the producer to forecast the future production level, which thus forces the producer to be subject to possible deviations.
These deviations lead to economic losses; therefore there is a strong need to predict as accurately as possible.

After briefly introducing wind power in general as well as explaining the structure of electricity markets, this thesis presents some of the current state-of-the-art wind power prediction models and uses as a reference the current forecasting performance from a wind farm case study.
The reference model is based directly on a turbine power curve.
Based on these results it then develops forecasting models for making short-term (up to two days) predictions of wind power output.
The main focus is on advanced artificial intelligence-based autoregressive models enhanced with numerical weather prediction information.

The prediction of wind speed and production is rather intractable by nature; therefore there cannot be any model that would lead to zero errors of prediction.
For evaluating this omnipresent uncertainty, methods for estimating prediction errors which would lead to more effcient wind power trading and management are also presented and tested.

The performance of the implemented models is measured and compared to the reference model.
The results show that the use of an advanced forecasting model decreases the prediction errors and thus also the related economical losses.
The results have a general value; nevertheless they, as well as the model configurations presented here, have to be considered as case-specific.
Abstract (fin): Viime vuosina tuulivoiman käyttö on lisääntynyt merkittävästi monessa maassa ja saman trendin oletetaan jatkuvan myös tulevaisuudessa.
Tulevan tuotannon ennustaminen on tuulivoiman tuottajille ensiarvoisen tärkeää, sillä sähkömarkkinoiden rakenne pakottaa tuulivoimatuottajat ennustamaan tulevan tuotantonsa etukäteen.
Tuulivoimatuottajien on siis hyväksyttävä, että mahdolliset ennustepoikkeamat johtavat taloudellisiin tappioihin.
Tämän vuoksi tuottajilla on tarve tehdä ennusteensa mahdollisimman tarkasti.

Tämä diplomityö esittelee ensin yleisesti tuulivoimaa ja sähkömarkkinoiden rakennetta.
Tämän jälkeen työssä käydään läpi useita viimeisimpiä tuulituotannon ennustemalleja.
Lisäksi työssä esitellään erään tuulivoimapuiston nykyinen suoraan tuuliturbiinin tehokäyrään perustuva ennustemenetelmä ja arvioidaan sen tarkkuutta.
Näihin tuloksiin perustuen työssä kehitetään ennustemalleja, joiden avulla voidaan tehdä lyhyen ajan (alle kahden päivän) tuulituotannon ennusteita.
Pääasiallisena mallien luokkana ovat kehittyneet tekoälyyn perustuvat autoregressiiviset mallit, joita täydennetään numeeristen sääennusteiden informaatiolla.

Tuulennopeuden ja tuotannon ennustaminen on kuitenkin varsin hankalaa, joten ei ole olemassa mallia, jonka avulla päästäisiin täydellisiin ennusteisiin.
Jotta ennusteen epävarmuutta voitaisiin arvioida ja tuulituotantoa myydä ja hallita tehokkaammin, tämä työ esittelee myös menetelmiä ennustevirheiden estimoimiseksi.

Käyttöönotettujen mallien suorituskykyä mitataan ja verrataan verrokkimalliin.
Tulokset osoittavat, että kehittyneiden ennustemallien avulla ennustevirheet ja näistä johtuvat taloudelliset tappiot pienenevät.
Tässä työssä esitellyillä tuloksilla ja mallirakenteilla on yleistä arvoa, mutta niitä pitää tulkita tapauskohtaisesti.
ED:2010-05-07
INSSI record number: 39565
+ add basket
« previous | next »
INSSI