DỰ BÁO XÁC SUẤT NGẮN HẠN CHO CÔNG SUẤT ĐIỆN GIÓ DỰA TRÊN MÔ HÌNH BIẾN ĐỘNG NGẪU NHIÊN
DOI:
https://doi.org/10.59266/houjs.2024.417Keywords:
Mô hình ARMA, Bayesian, Dự báo xác suất, Mô hình biến động ngẫu nhiên, Dự báo công suất điện gióAbstract
Năng lượng gió đã trở thành một giải pháp thay thế rất khả thi để cung cấp điện. Do đó, dự báo xác suất điện gió, thứ không những dự báo các giá trị chính xác, mà còn cho thêm nhiều thông tin về tính bất định của các giá trị được dự báo, ngày càng quan trọng. Tuy nhiên, hầu hết các phương pháp dự báo hiện tại chỉ tập trung vào dự báo điểm mà không chú ý đến dự báo mật độ. Do đó, ứng dụng của các kết quả này vào các vấn đề ngẫu nhiên của hệ thống điện còn hạn chế. Bài báo này trình bày một phương pháp dự báo xác suất điện gió mới gọi là mô hình biến động ngẫu nhiên với độ chính xác cao cho dự báo mật độ. Phương pháp phân cấp Bayesion được sử dụng để ước tính mô hình đề xuất. Mô hình biến động ngẫu nhiên được sử dụng trong lập mô hình và dự báo điện gió dựa trên dữ liệu thực tại Nhật Bản vào năm 2005. Độ chính xác của mô hình biến động ngẫu nhiên cho cả dự báo chính xác và dự báo xác suất với các khoảng thời gian dự báo khác nhau sẽ được phân tích và so sánh với mô hình ARMA.
References
[1]. F. Bouffard and F. D. Galiana, Stochastic security for operations planning with significant wind power generation, IEEE Trans. Power Syst., vol. 23, no. 2, pp. 306–316, May 2008.
[2]. P. Pinson, G. Papaefthymiou, B. Klockl,
J. Verboomen, Dynamic sizing of energy storage for hedging wind power forecast uncertainty, IEEE Power & Energy Society General Meeting, 26- 30 July 2009.
[3]. N. Qin, C. L. Bak, H. Abildgaard, and Z. Chen, Multi-Stage Optimization-Based Automatic Voltage Control Systems Considering Wind Power Forecasting Errors, IEEE Trans on Power Syst, vol. 32, no. 2, pp. 1073 – 1088, March 2017.
[4]. Nhung N. H, Nakanashi. Y., Stochastic Dynamic Power Flow Analysis Based on Stochastic Response Surface Method and ARMA-GARCH Model, IEEE ISGT
Conference, April, 2017.
[5]. S. S. Soman, H. Zareipour, O. Malik, and P. Mandal, A review of wind power forecasting methods with different time horizons, in Proc. North Amer. Power Symp., Arlington, TX, USA, Sep. 26– 28, 2010, pp. 1–8.
[6]. J. Yan, X. Zhao, K. Li, On temporal resolution selection in time series wind power forecasting, UKACC 11th International Conference on Control (CONTROL), 31 Aug.-2 Sept. 2016.
[7]. E. Cadenas, and W. Rivera, Wind speed forecasting in the South Coast of Oaxaca, Mexico, Renewable Energy, vol. 32, no. 12, pp. 2116-2128, Oct. 2007.
[8]. E. Cadenas, O.A. Jaramillo, and W. Rivera, Analysis and forecasting of wind velocity in chetumal, quintana roo, using the single exponential smoothing method, Renewable Energy, vol. 35, no. 5, pp. 925-930, May 2010.
[9]. M. S. Miranda, R. W. Dunn, One hour ahead wind speed prediction using a Bayesian methodology, IEEE PES proceedings, IEEE Summer meeting, 2006.
[10]. S. Gao, Y. He, H. Chen, Wind Speed Forecast for Wind Farms Based on ARMA-ARCH Model, International Conference on Sustainable Power Generation and Supply, 6-7 April 2009.
[11]. J. Jeon and J. W. Taylor, Short-term density forecasting of wave energy using ARMA-GARCH models and Kernel density estimation, International Journal of Forecasting.
[12]. D. P. Kroese, J. C. C. Chan, Statistical Modeling and Computation, Springer, 2014, pp. 227-256.
[13]. Kim, S., N. Shepherd, S. Chib. Stochastic Volatility: Likelihood Inference and Comparison with ARCH Models. Review of Economic Studies, 65(3):361–393,1998.
[14]. Muhammad Naeem, A comparison of electricity spot prices simulation using ARMA-GARCH and mean-reverting models, Master’s Thesis, Lappeenranta University of Technology, 2010.
[15]. Elena-Ivona D.,C. Hurlin,J. Madkour, Testing Interval Forecasts: A GMM-Based Approach, Journal of Forecasting, Volume 32, Issue 2, pp
–110, March 2013 .
