Из Википедии, бесплатной энциклопедии
Перейти к навигации Перейти к поиску

Прогноз энергии ветра соответствует оценке ожидаемого производства одного или нескольких ветряных турбин (именуемых как ветроэлектростанции ) в ближайшем будущем. Под производством часто понимается доступная мощность рассматриваемой ветроэлектростанции (в кВт или МВт в зависимости от номинальной мощности ветряной электростанции). Прогнозы также могут быть выражены в единицах энергии путем интегрирования выработки электроэнергии за каждый временной интервал.

Шкалы времени прогнозов [ править ]

Прогнозирование ветроэнергетики можно рассматривать в различных временных масштабах в зависимости от предполагаемого применения. Прогнозы от миллисекунд до нескольких минут могут использоваться для активного управления турбиной. Такие прогнозы обычно называют очень краткосрочными . Прогнозы на следующие 48–72 часа необходимы для управления энергосистемой или торговли энергией. Они могут служить для принятия решения об использовании обычных электростанций ( обязательство по установке ) и для оптимизации графика работы этих электростанций ( экономическая диспетчеризация ). Заявки на поставку энергии в течение дня обычно требуются утром предыдущего дня. Эти прогнозы называются краткосрочными.прогнозы. Для более длительных временных масштабов (до 5-7 дней вперед) прогнозы могут быть рассмотрены при планировании технического обслуживания ветряных электростанций, традиционных электростанций или линий электропередачи. Техническое обслуживание морских ветряных электростанций может быть особенно дорогостоящим, поэтому оптимальное планирование операций по техническому обслуживанию имеет особое значение.

Для последних двух возможностей временное разрешение прогнозов энергии ветра колеблется от 10 минут до нескольких часов (в зависимости от продолжительности прогноза). Улучшения в прогнозировании ветроэнергетики были сосредоточены на использовании большего количества данных в качестве входных данных для задействованных моделей и на предоставлении оценок неопределенности наряду с традиционно предоставляемыми прогнозами.

Причина прогнозов энергии ветра [ править ]

В электросети в любой момент должен поддерживаться баланс между потреблением и производством электроэнергии - в противном случае могут возникнуть нарушения качества или подачи электроэнергии. Ветровая генерация напрямую зависит от скорости ветра и, в отличие от традиционных систем генерации, не может быть легко управляема.. Таким образом, большое внимание уделяется колебаниям ветровой генерации. Изменчивость ветровой генерации можно рассматривать в различных временных масштабах. Во-первых, выработка ветровой энергии подвержена сезонным колебаниям, т.е. она может быть выше зимой в Северной Европе из-за метеорологических систем низкого давления или может быть выше летом в регионах Средиземноморья из-за сильных летних бризов. Существуют также суточные циклы, которые могут быть значительными, в основном из-за ежедневных изменений температуры. Наконец, колебания наблюдаются в очень краткосрочном масштабе (в минутном или внутриминутном масштабе). Для этих трех разных временных шкал изменения не одного и того же порядка. Управление изменчивостью ветровой генерации является ключевым аспектом, связанным с оптимальной интеграцией этой возобновляемой энергии в электрические сети. [цитата необходима ]

Проблемы, с которыми придется столкнуться при использовании ветровой генерации в энергосистеме, зависят от доли этой возобновляемой энергии. Это базовая концепция, проникновение ветра, которая позволяет описать долю ветровой генерации в структуре электроэнергии данной энергосистемы. Для Дании, которая является страной с одной из самых высоких долей ветровой энергии в структуре электроэнергетики, средний уровень проникновения ветровой энергии в течение года составляет 16–20% (это означает, что 16–20% потребления электроэнергии приходится на энергию ветра. ), в то время как мгновенное проникновение (то есть мгновенное производство энергии ветра по сравнению с потреблением, которое должно быть удовлетворено в данный момент времени) может быть выше 100%. [ необходима цитата ]

Оператор системы передачи (TSO) несет ответственность за управление балансом электроэнергии в сети: в любое время производство электроэнергии должно соответствовать потреблению. Поэтому использование средств производства планируется заранее, чтобы реагировать на профили нагрузки. Нагрузка соответствует общему потреблению электроэнергии по интересующей территории. Профили нагрузки обычно даются с помощью прогнозов нагрузки, которые имеют высокую точность. Для составления ежедневного графика TSO могут рассмотреть свои собственные средства производства электроэнергии, если таковые имеются, и / или они могут покупать выработку электроэнергии у независимых производителей энергии (IPP) и коммунальных предприятий., через двусторонние контракты или пулы электроэнергии. В условиях дерегулирования на рынке появляется все больше и больше игроков, тем самым нарушая традиционную ситуацию вертикально-интегрированных коммунальных предприятий с квази-местными монополиями. Рынки электроэнергии образуют два основных механизма. Первый - это спотовый рынок, на котором участники предлагают количество энергии на следующий день по заданной себестоимости. Аукционная система позволяет устанавливать спотовую цену на электроэнергию за различные периоды в зависимости от различных заявок. Второй механизм - это балансировка выработки электроэнергии, которую координирует TSO. В зависимости от недостатка и избытка энергии (например, из-за отказов электростанции или перебоев в работе ветроэнергетических установок) TSO определяет штрафы, которые будут уплачены IPP, которые не выполнили свои обязательства.В некоторых случаях также присутствует внутридневной рынок, чтобы предпринять корректирующие действия.[ необходима цитата ]

Чтобы проиллюстрировать этот механизм рынка электроэнергии, рассмотрим рынок электроэнергии Нидерландов.. Участники рынка, называемые ответственными за программу сторонами (PRP), подают свои предложения по цене и количеству до 11 часов утра на период поставки, охватывающий следующий день с полуночи до полуночи. Единица времени программы (PTU) на балансирующем рынке составляет 15 минут. Балансировка усредненной мощности за 15 минут требуется от всех производителей и потребителей электроэнергии, подключенных к сети, которые для этой цели могут быть объединены в подгруппы. Поскольку эти подмножества называются программами, балансировка по 15-минутной шкале называется программным балансом. Баланс программы теперь поддерживается с помощью графиков производства, выпущенных за день до поставки, и отчетов об измерениях (распространяемых на следующий день после доставки). Когда измеренная мощность не равна запланированной мощности, дисбаланс программыпредставляет собой разницу между реализованной суммой производства и потребления и прогнозируемой суммой производства и потребления. Если принимать во внимание только производство энергии ветра, Дисбаланс программы сводится к реализованному производству ветра минус прогнозируемое производство ветра. Неуравновешенность программы - это ошибка прогноза ветроэнергетики. [ необходима цитата ]

Дисбаланс программы урегулирован Системным оператором с использованием различных тарифов для отрицательного дисбаланса программы и положительного дисбаланса программы. Положительный дисбаланс программы указывает на то, что фактически произведено больше энергии, чем прогнозируется. по энергии ветра реализованная выработка ветра больше, чем прогнозируемая. И наоборот, в случае отрицательного Дисбаланса Программы по энергии ветра. [ необходима цитата ]

Обратите внимание, что затраты на положительные и отрицательные дисбалансы могут быть асимметричными в зависимости от механизма балансирующего рынка. В целом производители ветровой энергии подвергаются штрафам такой рыночной системой, поскольку большая часть их продукции может подлежать штрафам. [ необходима цитата ]

Параллельно с тем, чтобы использоваться для участия на рынке, прогнозы энергии ветра могут использоваться для оптимальной комбинированной работы ветровой и традиционной генерации, ветровой и гидроэнергетики или ветра в сочетании с некоторыми устройствами хранения энергии. Они также служат основой для количественной оценки потребностей в запасах для компенсации возможной нехватки ветроэнергетики. [ необходима цитата ]

Общая методология [ править ]

Для краткосрочного прогнозирования ветровой генерации используются несколько методов. Самые простые из них основаны на климатологии или средних значениях прошлой продукции. Их можно рассматривать как эталонные методы прогнозирования, поскольку их легко реализовать, а также в качестве эталона при оценке более продвинутых подходов. Самым популярным из этих эталонных методов, безусловно, является настойчивость . Этот наивный предсказатель - обычно называемый «то, что вы видите, - это то, что вы получаете» - утверждает, что будущая генерация ветра будет такой же, как и последнее измеренное значение. Несмотря на кажущуюся простоту, этот наивный метод, возможно, будет трудно превзойти для прогнозов на 4–6 часов вперед.

Передовые подходы к краткосрочному прогнозированию энергии ветра требуют прогнозирования метеорологических переменных в качестве входных данных. Затем они различаются способом преобразования прогнозов метеорологических переменных в прогнозы производства энергии ветра с помощью так называемой кривой мощности.. Такие продвинутые методы традиционно делятся на две группы. Первая группа, называемая физическим подходом, фокусируется на описании ветрового потока вокруг и внутри ветряной электростанции и использует кривую мощности производителя для предложения оценки выходной мощности ветра. Параллельно вторая группа, называемая статистическим подходом, концентрируется на фиксации связи между метеорологическими прогнозами (и, возможно, историческими измерениями) и выходной мощностью с помощью статистических моделей, параметры которых должны оцениваться на основе данных, без каких-либо предположений о физических явлениях.

Прогнозирование метеорологических переменных [ править ]

Производство ветровой энергии напрямую связано с погодными условиями, и поэтому первым аспектом прогнозирования ветровой энергии является предсказание будущих значений необходимых погодных переменных на уровне ветряной электростанции. Это делается с помощью численного прогноза погоды.(ЧПП) модели. Такие модели основаны на уравнениях, определяющих движения и силы, влияющие на движение жидкостей. Зная фактическое состояние атмосферы, система уравнений позволяет оценить, какой будет эволюция переменных состояния, например температуры, скорости, влажности и давления, в ряде точек сетки. Метеорологические переменные, которые необходимы в качестве входных данных для прогнозирования энергии ветра, очевидно, включают скорость и направление ветра, а также, возможно, температуру, давление и влажность. Расстояние между точками сетки называется пространственным разрешением ЧПП. Сетка обычно имеет интервал от нескольких километров до 50 километров для мезомасштабных моделей. Что касается временной оси, то продолжительность прогноза большинства операционных моделей сегодня составляет от 48 до 172 часов вперед,что соответствует требованиям, предъявляемым к ветроэнергетике. Временное разрешение обычно составляет от 1 до 3 часов. Модели ЧПП накладывают свое временное разрешение на методы краткосрочного прогнозирования ветроэнергетики, поскольку они используются в качестве прямых входных данных.

Прогнозы метеорологических переменных предоставляются метеорологическими институтами. Метеорологи используют атмосферные модели для прогнозов погоды на краткосрочные и среднесрочные периоды. Модель атмосферы представляет собой численное приближение физического описания состояния атмосферы в ближайшем будущем и обычно запускается на суперкомпьютере. Каждое вычисление начинается с начальных условий, взятых из недавних измерений. Выходные данные состоят из ожидаемого мгновенного значения физических величин на различных вертикальных уровнях в горизонтальной сетке и с шагом во времени до нескольких часов после инициирования. Есть несколько причин, по которым атмосферные модели только приблизительно соответствуют реальности. Во-первых, в модель включены не все релевантные атмосферные процессы. Также начальные условия могут содержать ошибки (которые в худшем случае распространяются),и вывод доступен только для дискретных точек в пространстве (как по горизонтали, так и по вертикали) и времени. Наконец, начальные условия стареют со временем - они уже устарели, когда начинается вычисление, не говоря уже о публикации результатов. Прогнозы метеорологических переменных выпускаются несколько раз в день (обычно от 2 до 4 раз в день) и доступны через несколько часов после начала периода прогноза. Это связано с тем, что требуется некоторое время для сбора и анализа множества измерений, используемых в качестве входных данных для моделей ЧПП, затем запуска модели, проверки и распространения ряда выходных прогнозов. Этот разрыв - слепое пятно в прогнозах атмосферной модели. Например, в Нидерландах KNMI публикует 4 раза в день ожидаемые значения скорости ветра, направления ветра,температура и давление в течение периода от 0 до 48 часов после инициализации атмосферной модели Hirlam с данными измерений, а затем период до выдачи прогноза составляет 4 часа.

Доступно множество различных атмосферных моделей, от инструментов академических исследований до полностью действующих инструментов. Помимо самой природы модели (физических процессов или численных схем) между ними есть несколько явных отличительных различий: временная область (от нескольких часов до 6 дней вперед), площадь (от нескольких 10.000 км² до площади, покрывающей половину планеты), горизонтальное разрешение (от 1 км до 100 км) и временное разрешение (от 1 часа до нескольких часов).

Одной из атмосферных моделей является модель ограниченной площади высокого разрешения, сокращенно HIRLAM , которая часто используется в Европе. HIRLAM существует во многих версиях; поэтому лучше говорить о "ХИРЛАМЕ", чем "ХИРЛАМ". Каждая версия поддерживается национальным институтом, таким как голландский KNMI , датский DMI или финский FMI . И у каждого института есть несколько версий под своим крылом, разделенных на такие категории, как: операционная, предоперационная, полуоперационная и для исследовательских целей.

Другие атмосферные модели:

  • UM в Великобритании, управляемая Метеорологическим бюро ,
  • COSMO и ICON в Германии под управлением DWD ,
  • ALADIN во Франции, управляемая Météo-France ,
  • и GFS в США под управлением NCEP .

Обратите внимание, что ALADIN и COSMO также используются в других странах Европы, а UM используется BOM в Австралии.

Физический подход к прогнозированию энергии ветра [ править ]

Метеорологические прогнозы даются в определенных узлах сетки, охватывающей территорию. Поскольку ветряные электростанции не расположены на этих узлах, необходимо экстраполировать эти прогнозы в желаемое место и на высоту ступицы турбины. Физические методы прогнозирования состоят из нескольких подмоделей, которые в совокупности обеспечивают перевод прогноза ветра в определенной точке сети и на уровне модели в прогноз мощности на рассматриваемом участке. Каждая подмодель содержит математическое описание физических процессов, связанных с переводом. Поэтому знание всех соответствующих процессов имеет решающее значение при разработке чисто физического метода прогнозирования (например, ранних версий датского Prediktor). Основная идея физических подходов заключается в уточнении ЧПП с использованием физических соображений о местности, таких как неровность,орография и препятствия, а также моделирование местного профиля ветра, возможно, с учетом стабильности атмосферы. Для этого есть две основные альтернативы:(i) объединить моделирование профиля ветра (с логарифмическим допущением в большинстве случаев) и закона геострофического сопротивления для получения приземных ветров; (ii) использовать код CFD (вычислительная гидродинамика), который позволяет точно вычислить поле ветра, которое увидит ферма, с учетом полного описания местности.

Когда известен ветер на уровне ветряной электростанции и на высоте ступицы, второй шаг заключается в преобразовании скорости ветра в мощность. Обычно эта задача выполняется с помощью теоретических кривых мощности, предоставленных производителем ветряных турбин. Однако, поскольку несколько исследований показали интерес к использованию эмпирически полученных кривых мощности вместо теоретических, теоретические кривые мощности рассматриваются все меньше и меньше. При применении физической методологии моделирование функции, которая дает выработку энергии ветра от ЧПП в заданных местах вокруг ветряной электростанции, выполняется раз и навсегда. Затем оцененная передаточная функция применяется к имеющимся прогнозам погоды в данный момент. Чтобы учесть систематические ошибки прогнозирования, которые могут быть связаны с моделью ЧПП или их подходом к моделированию,Разработчики физических моделей часто интегрируют статистику вывода модели (MOS) для постобработки прогнозов мощности.

Статистический подход к прогнозированию ветроэнергетики [ править ]

Методы статистического прогнозирования основаны на одной или нескольких моделях, которые устанавливают связь между историческими значениями мощности, а также историческими и прогнозными значениями метеорологических переменных и измерениями энергии ветра. Физические явления не подвергаются декомпозиции и не учитываются, даже если знание проблемы имеет решающее значение для выбора правильных метеорологических переменных и разработки подходящих моделей. Параметры модели оцениваются на основе набора прошлых доступных данных, и они регулярно обновляются во время работы в режиме онлайн путем учета любой новой доступной информации (например, метеорологических прогнозов и измерений мощности).

Статистические модели включают линейные и нелинейные модели, а также структурные модели и модели черного ящика. Структурные модели полагаются на опыт аналитика в изучении представляющего интерес явления, в то время как модели черного ящика не требуют особых знаний в предметной области и строятся на основе данных довольно механическим способом. Что касается прогнозирования ветровой энергии, то структурными моделями могут быть модели, включающие моделирование суточных вариаций скорости ветра или явную функцию прогнозов метеорологических переменных. Модели черного ящика включают в себя большинство моделей на основе искусственного интеллекта, таких как нейронные сети (NN) и машины опорных векторов (SVM). Однако некоторые модели находятся «посередине» между двумя крайностями: полностью черный ящик или структурный. Это случай экспертных систем, которые учатся на опыте (из набора данных),и для чего могут быть введены предварительные знания. Затем мы говорим о моделировании серого ящика. Статистические модели обычно состоят из авторегрессионной части для определения постоянного поведения ветра и «метеорологической» части, которая заключается в нелинейном преобразовании прогнозов метеорологических переменных. Авторегрессионная часть позволяет значительно повысить точность прогнозов для горизонтов до 6–10 часов вперед, то есть в течение периода, в течение которого единственное использование информации метеорологического прогноза может быть недостаточным для превосходства с постоянством.который заключается в нелинейном преобразовании прогнозов метеорологических переменных. Авторегрессионная часть позволяет значительно повысить точность прогнозов для горизонтов до 6–10 часов вперед, то есть в течение периода, в течение которого единственное использование информации метеорологического прогноза может быть недостаточным для превосходства с постоянством.который заключается в нелинейном преобразовании прогнозов метеорологических переменных. Авторегрессионная часть позволяет значительно повысить точность прогнозов для горизонтов до 6–10 часов вперед, то есть в течение периода, в течение которого единственное использование информации метеорологического прогноза может быть недостаточным для превосходства с постоянством.

Сегодня основные разработки статистических подходов к прогнозированию ветровой энергии сосредоточены на использовании нескольких метеорологических прогнозов (от разных метеорологических служб) в качестве исходных данных и комбинации прогнозов, а также на оптимальном использовании пространственно распределенных данных измерений для исправления ошибок прогнозирования или в качестве альтернативы. для выдачи предупреждений о потенциально большой неопределенности.

DeepMind от Google использует нейронную сеть для улучшения прогнозов. [1]

Неопределенность прогнозов энергии ветра [ править ]

Внешний образ
значок изображения Прогноз на завтра по трем системным областям; Западная и Восточная Дания и Эстония

Текущие конструкции оптимальны только для спокойных, устойчивых условий. Инструменты проектирования, учитывающие неустойчивость и турбулентность, развиты гораздо меньше. [2]

Прогнозы выработки ветровой энергии традиционно предоставляются в форме точечных прогнозов, т. Е. Единственного значения для каждого времени упреждения, которое соответствует ожидаемому или наиболее вероятному результату. Их преимущество в том, что они легко понятны, поскольку ожидается, что это единственное значение расскажет все о будущем производстве электроэнергии. Сегодня основная часть исследовательских усилий по прогнозированию ветровой энергии по-прежнему сосредоточена только на точечном прогнозировании с целью ассимиляции все большего количества наблюдений в моделях или уточнения разрешения физических моделей для лучшего представления полей ветра в очень локальном масштабе для пример. Эти усилия могут привести к значительному снижению уровня ошибки прогноза.

Однако даже при лучшем понимании и моделировании как метеорологических процессов, так и процессов преобразования энергии, в каждом прогнозе всегда будет неотъемлемая и непреодолимая неопределенность. Эта эпистемическая неопределенность соответствует неполному знанию процессов, влияющих на будущие события. Следовательно, в дополнение к точечным прогнозам ветроэнергетики на ближайшие часы или дни очень важно предоставить средства для онлайн-оценки точности этих прогнозов. На практике сегодня неопределенность выражается в форме вероятностных прогнозов или с помощью индексов риска, предоставляемых наряду с традиционными точечными прогнозами. Было показано, что некоторые решения, связанные с управлением ветроэнергетикой и торговлей, являются более оптимальными с учетом неопределенности прогнозов. Для примера с торговым приложением,Исследования показали, что надежная оценка неопределенности прогнозов позволяет производителям ветровой энергии значительно увеличить свой доход по сравнению с использованием только передового метода точечного прогнозирования. Другие исследования этого типа посвящены оптимальному динамическому количественному определению резервных требований,[3] оптимальная работа комбинированных систем, включая ветровое или многоступенчатое многоступенчатое регулирование. Ожидается, что будет проводиться все больше и больше исследований по неопределенности прогнозов и связанным темам.

Согласно отчету коалиции исследователей из университетов, промышленности и правительства, поддержанной Центром устойчивого будущего Аткинсона при Корнельском университете , есть ряд вопросов, на которые еще предстоит ответить . Они включают:

  • Как ветряные электростанции с их множественными следами взаимодействуют с пограничным слоем атмосферы, чтобы определить полезную мощность, которая может быть произведена?
  • Как неровная местность, неровность поверхности суши или моря, турбулентность над пограничным слоем и следы от турбины влияют на неустойчивую нагрузку на лопасти ветряных турбин ниже по потоку?
  • Каково влияние атмосферной стабильности (конвективной, нейтральной или стабильно стратифицированной) на рабочие характеристики и характеристики нагрузки в течение типичного суточного цикла?
  • Каково оптимальное размещение ветряных турбин в массиве, чтобы можно было максимально увеличить захват кинетической энергии и свести к минимуму неустойчивую нагрузку? [2]

В отчете также представлены возможные инструменты, используемые для поддержки этого необходимого исследования. [2]

Точность [ править ]

Корреляция между ветровой мощностью и прогнозом может быть относительно высокой, со средней неисправленной ошибкой в ​​8,8% в Германии за двухлетний период. [4]

См. Также [ править ]

  • Прогноз энергии
  • Конкурс Global Energy Forecasting Competition предлагает возможность прогнозирования ветроэнергетики

Заметки [ править ]

  1. ↑ Ли, Абнер (26 февраля 2019 г.). «Google оптимизирует ветряные электростанции с помощью DeepMind ML, чтобы прогнозировать выходную мощность на 36 часов» . 9to5Google .
  2. ^ a b c Зендер и Вархафт, Алан и Зеллман. «Сотрудничество университетов в области ветроэнергетики» (PDF) . Корнельский университет . Проверено 17 августа 2011 года .
  3. ^ С. Meyn, М. Negrete-Pincetic, Г. Ван, А. Kowli и Е. Shafieepoorfaard (март 2010). «Стоимость нестабильных ресурсов на рынках электроэнергии» . Представлено на 49-й конф. на декабрь и контроль . Архивировано из оригинального 18 декабря 2012 года . Проверено 12 июля 2010 года .CS1 maint: несколько имен: список авторов ( ссылка )
  4. ^ http://www.iset.uni-kassel.de/abt/FB-I/publication/03-06-01_onl_mon_and_pred_wp_re-gen.pdf [ постоянная мертвая ссылка ]

Ссылки [ править ]

  • E.ON Netz. Отчет о ветре 2004 г., Отчет о ветре 2005 г.
  • Р. Доэрти и М. О'Мэлли. Новый подход к количественной оценке потребности в резервах в системах со значительной установленной ветроэнергетикой. IEEE Transactions on Power Systems 20 (2), стр. 587–595, 2005 г.
  • Гибель Г., Браунсворд Р., Кариниотакис Г., Денхард М., Драксл К. Современное состояние в краткосрочном прогнозировании ветроэнергетики. Обзор литературы, 2-е издание [ постоянная мертвая ссылка ] . Отчет по проектам Anemos.plus и SafeWind. 110 с. Рисё, Роскилле, Дания, 2011 г.
  • М. Ланге и У. Фоккен. Физический подход к краткосрочному прогнозу энергии ветра , Springer, ISBN 3-540-25662-8 , 2005 г. 
  • Л. Ландберг, Г. Гибель, Х.А. Нильсен, Т.С. Нильсен, Х. Мадсен. Краткосрочное прогнозирование - обзор, Wind Energy 6 (3), стр. 273–280, 2003 г.
  • Х. Мэдсен, П. Пинсон, Х.А. Нильсен, Т.С. Нильсен и Г. Кариниотакис. Стандартизация оценки эффективности моделей краткосрочного прогнозирования ветровой энергии, Wind Engineering 29 (6), стр. 475–489, 2005 г.
  • П. Пинсон, К. Шевалье и Г. Кариниотакис. Торговля ветроэнергетикой с краткосрочными вероятностными прогнозами ветроэнергетики, IEEE Transactions on Power Systems 22 (3), стр. 1148–1156, 2007 г.
  • П. Пинсон, С. Лозано, И. Марти, Г. Кариниотакис и Г. Гибель. ViLab: виртуальная лаборатория для совместных исследований в области прогнозирования ветроэнергетики , Wind Engineering 31 (2), стр. 117–121, 2007 г.
  • П. Пинсон, Х.А. Нильсен, Дж. К. Мёллер, Х. Мадсен и Г. Кариниотакис. Непараметрические вероятностные прогнозы ветроэнергетики: требуемые свойства и оценка, Энергия ветра , в печати, 2007 г.

Внешние ссылки [ править ]

ENFOR - Прогнозирование ветроэнергетики

Модели прогнозов погоды [ править ]

  • Документация HiRLAM в ЕЦСПП
  • Описание HiRLAM в КНМИ

Карты скорости ветра [ править ]