Predikovatelnost větrných farem společnosti Amper-Market

0443783 - ÚVGZ 2016 RIV CZ cze V - Research Report
Farda, Aleš - Rajdl, Kamil - Štěpánek, Petr
Predikovatelnost větrných farem společnosti Amper-Market.
[Predictability of wind famrs operated by Amper-Market company.]
Praha: Amper-Market a.s, 2015. 21 s.
Source of funding: V - Other public resources
Keywords : wind energy * forecasting models * numerical weather prediction models * regression analysis * production forecast * wind farms * wind power
Subject RIV: DG - Athmosphere Sciences, Meteorology

Tato zpráva obsahuje analýzu produkce elektrické energie větrných elektráren společnosti Amper Market a. s. z hlediska její prediktability, s hlavním cílem určení potencionální přesnosti predikcí hodinových hodnot výroby energie. Pro výpočet analyzovaných predikcí je použit regresní předpovědní model využívající rychlost a směr větru ve dvou výškových hladinách. Potřebné hodnoty těchto meteorologických prvků jsou získány ze tří numerických předpovědních modelů - Aladin, EPS Aladin a IFS. Přesnost predikce výroby je optimalizována z hlediska výběru vhodných geografických bodů pro získání výstupů numerických modelů, z hlediska kombinovaného využití těchto modelů a z hlediska individuálního nastavení regresního modelu pro jednotlivé elektrárny. Analýza byla provedena na základě dat z období leden 2013 až duben 2014.

This report contains an analysis of the electric energy production of wind power plants of the company Amper Market a.s. from the point of view of its predictability, with the main objective of determining the potential accuracy of hourly predictions of the power production. To calculate the analyzed predictions a regression forecasting model utilizing wind speed and direction in two height levels is used. The necessary values of these meteorological variables are obtained from three numerical weather prediction models – Aladin, EPS Aladin and IFS. The accuracy of the energy production predictions is optimized regarding the choice of suitable geographical points for obtaining outputs of the numerical models, the combine utilization of the models and individual setting of the regression model for the single power plants. The analysis was performed based on data from the period January 2013 to April 2014.
Permanent Link: http://hdl.handle.net/11104/0246455