Publicado

2017-04-01

Hybrid methodology for modeling short-term wind power generation using conditional Kernel density estimation and singular spectrum analysis

Metodología híbrida para el modelado de la generación de energía eólica de corto plazo mediante la estimación de la densidad condicional por Kernel y análisis espectral singular

DOI:

https://doi.org/10.15446/dyna.v84n201.59541

Palabras clave:

Wind power generation, SSA, CKDE, time series, forecasting (en)
Generación de energía eólica, SSA, estimación condicional de la densidad por kernel, series temporales, previsión (es)

Descargas

Autores/as

A fundamental part of the probabilistic forecasting of wind energy process is to take into account wind speed forecasts. To achieve accurate probabilistic forecast of wind output, it is developed a hybrid methodology using a nonparametric techniques known as SSA (Singular Spectrum Analysis) and (CKDE) Conditional Kernel Density Estimation. SSA is employed to forecast wind speed and CKDE to obtain probabilistic forecasts of wind energy, based on the fact that wind power generation has a nonlinear relation with the wind speed and both are random variables distributed according to a joint density function. A Brazilian hourly wind dataset including wind speed and wind power is used to illustrate the approach. Once the wind speed forecasts are obtained the corresponding probabilistic forecast of the wind power generation is estimated for a lead time of 24 hours ahead. The results obtained are compared with other existing methodologies.
Una parte fundamental del proceso de previsión probabilística de energía eólica es tener en cuenta las previsiones de la velocidad del viento. Para obtener pronósticos probabilísticos precisos de la producción eólica ha sido desarrollada una metodología híbrida utilizando técnicas no paramétricas conocidas como SSA (Análisis Singular Espectral) y Estimación Condicional de la Densidad por Kernel (CKDE). SSA es empleada para predecir la velocidad del viento y CKDE para obtener previsiones probabilísticas de la energía eólica, dado que la generación de la energía eólica tiene una relación no lineal con la velocidad del viento y ambas son variables aleatorias distribuidas que siguen una función de densidad conjunta. Haciendo uso de una base de datos brasilera horaria que incluye la velocidad del viento y la energía eólica es ilustrada dicha metodología. Una vez que las previsiones de la velocidad del viento son obtenidas, los correspondientes pronósticos probabilísticos de la generación de energía eólica son estimados para un horizonte de 24 horas. Los resultados obtenidos son comparados con otras metodologías existentes.

Referencias

Brasil, Ministério de Minas e Energia, Empresa de Pesquisa Energética. Plano Decenal de Expansão de Energia 2024, Brasília: MME/EPE 2015. [online]. [date of reference March 24th of 2016]. Available at: http://www.epe.gov.br/PDEE/Relat%C3%B3rio%20Final%20do %20PDE%202024.pdf

Zhu, X. and Genton M.G., Short-Term wind speed forecasting for power system operations. International Statistical Review, 80(1), pp. 2-23, 2012. DOI: 10.1111/j.1751-5823.2011.00168.x

Madsen, H., Wind power prediction tool in control dispatch centres. ELSAM, Skaerbaek, Denmark, 1995, ISBN 87-87090-25-2.

Nielsen, T.S. and Madsen, H., Using meteorological forecasts in on-line predictions of wind power, ELSAM, Skaerbaek, Denmark, 1996.

Monteiro, C., Bessa, R., Miranda, V., Botterud, A., Wang, J. and Conzelmann, G., Wind power forecasting: State-of-the-art 2009, Argonne National Laboratory ANL/DIS-10-1, 2009.

Golyandina, N., Nekrutkin, V. and Zhigljavsky, A., Analysis of time series structure: SSA and related techniques. Chapman & Hall/CRC, New York, 2001.

Hassani, H., Singular spectrum analysis: Methodology and comparison. Journal of Data Science, 5, pp. 239-257, 2007.

Brown, B.G., Katz, R.W. and Murphy, A.H., Time series models to simulate and forecast wind speed and wind power. Journal of Climate and Applied Meteorology, 23(8), pp. 1184-1195, 1984. DOI: 10.1175/1520-0450(1984)023<1184:TSMTSA>2.0.CO;2

Kamal, L. and Jafri, Y.Z., Time series models to simulate and forecast hourly averaged wind speed in Quetta, Pakistan. Solar Energy, 61(1), pp. 23-32, 1997. DOI: 10.1016/S0038-092X(97)00037-6

Poggi, P., Muselli, M., Notton, G., Cristofari, C. and Louche, A., Forecasting and simulating wind speed in Corsica by using an autoregressive model. Energy Conversion and Management, 44(20), pp. 3177-3196, 2003. DOI: 10.1016/S0196-8904(03)00108-0

Philippopoulos, K. and Deligiorgi, D., Statistical simulation of wind speed in Athens, Greece based on Weibull and ARMA models. International Journal of Energy and Environment, 3(4), pp. 151-158, 2009.

Erdem, E. and Shi, J., ARMA based approaches for forecasting the tuple of wind speed and direction. Applied Energy, 88(4), pp. 1405-1414, 2011. DOI: 10.1016/j.apenergy.2010.10.031

Louka, P., Galanis, G., Siebert, N., Kariniotakis, G., Katsafados, P., Pytharoulis, I. and Kallos, G., Improvements in wind speed forecasts for wind power prediction purposes using Kalman filtering. Journal of Wind Engineering and Industrial Aerodynamics, 96(12), pp. 2348-2362, 2008. DOI: 10.1016/j.jweia.2008.03.013

Liu, H., Tian, H. and Li, Y., Comparison of two new ARIMA-ANN and ARIMA-Kalman hybrid methods for wind speed prediction. Applied Energy, 98(0), pp. 415-424, 2012. DOI: 10.1016/j.apenergy.2012.04.001

Malmberg, A., Holst, U. and Holst, J., Forecasting near-surface ocean winds with Kalman filter techniques. Ocean Engineering, 32, pp. 273-291, 2005. DOI: 10.1016/j.oceaneng.2004.08.005

Kavasseri, R.G. and Seetharaman, K., Day-ahead wind speed forecasting using f-ARIMA models. Renewable Energy, 34(5), pp. 1388-1393, 2009. DOI: 10.1016/j.renene.2008.09.006

Caporin, M. and Preś, J., Modelling and forecasting wind speed intensity for weather risk management. Computational Statistics and Data Analysis, 56(11), pp. 3459-3476, 2012. DOI: 10.1016/j.csda.2010.06.019

Cadenas, E. and Rivera, W., Short term wind speed forecasting in La Venta, Oaxaca, México, using artificial neural networks. Renewable Energy, 34(1), pp. 274-278, 2009. DOI: 10.1016/j.renene.2008.03.014

Barbounis, T.G., Theocharis, J.B., Alexiadis, M.C. and Dokopoulos, P.S., Long-term wind speed and power forecasting using local recurrent neural network models. IEEE, Transactions on Energy Conversion, 21(1), pp. 273-284, 2006. DOI: 10.1109/TEC.2005.847954

Sideratos, G. and Hatziargyriou, N.D., Probabilistic wind power forecasting using radial basis function neural networks. IEEE, Transactions on Power Systems, 27(4), pp. 1788-1796, 2012. DOI: 10.1109/TPWRS.2012.2187803

Damousis, I.G., Alexiadis, M.C., Theocharis, J.B. and Dokopoulos, P., A fuzzy model for wind speed prediction and power generation in wind farms using spatial correlation. IEEE, Transactions on Energy Conversion, 19, pp. 352-361, 2004. DOI: 10.1109/TEC.2003.821865

Zhao, X., Wang, S.X. and Li, T., Review of evaluation criteria and main methods of wind power forecasting. Energy Procedia, 12, pp. 761-769, 2011. DOI: 10.1016/j.egypro.2011.10.102

Genton, M.G. and Hering, A.S., Blowing in the wind. Significance, 4, pp. 11-14, 2007. DOI: 10.1111/j.1740-9713.2007.00212.x

Beneki, C., Eeckels, B. and Leon, C., Signal extraction and forecasting of the UK tourism income time series: A singular spectrum analysis approach. Journal of Forecasting, 31(5), pp. 391-400, 2012. DOI: 10.1002/for.1220

Golyandina, N. and Zhigljavsky, A., Singular spectrum analysis for time series. New York: Springer, 2013.

Mahmoudvand, R., Najari, N. and Zokaei, M., On the optimal parameters for reconstruction and forecasting in the singular spectrum analysis. Communication in Statistics – Simulations and Computations, 42, pp. 860-870, 2013. DOI: 10.1080/03610918.2012.659822

Juban, J., Siebert, N. and Kariniotakis, G.N., Probabilistic short-term wind power forecasting for the optimal management of wind generation. IEEE Lausanne Power Tech, pp. 683-688, 2007. DOI: 10.1109/PCT.2007.4538398

Jeon, J. and Taylor, J.W., Using conditional Kernel density estimation for wind power density forecasting. J. Am. Stat. Assoc., 107(497), pp. 66-79, 2012. DOI: 10.1080/01621459.201 1.643745

Hyndman, R.J., Bashtannyk, D.M. and Grunwald, G.K., Estimating and visualizing conditional densities. Journal of Computational and Graphical Statistics, 5(4), pp. 315-336, 1996. DOI: 10.2307/1390887

Parzen, E., On estimation of a probability density function and model. The Annals of Mathematical Statistics, 33, pp. 1065-1076, 1962. DOI: 10.1214/aoms/1177704472

Rosenblatt, M., Conditional probability density and regression estimates. Multivariate Analysis II, Ed. P.R. Krishnaiah, New York: Academic Press, pp. 25-31, 1969.

Bessa, R.J., Miranda, V., Botterud, A., Wang, J. and Constantinescu, E.M., Time adaptive conditional Kernel density estimation for wind power forecasting. IEEE Trans. Sustain. Energy, 3(4), pp. 660-669, 2012. DOI: 10.1109/TSTE.2012.2200302

Golyandina, N. and Korobeynikov, A., Basic singular spectrum analysis and forecasting with R. Computational Statistics & Data Analysis, 71, pp. 934-954, 2014. DOI: 10.1016/j.csda.2013.04.009

Hyndman, R.J., Highest density regions and conditional density estimation. R package version 3.1, 2015. [online]. [date of reference June 26th of 2016]. Available at: https://cran.r-project.org/web/packages/hdrcde/hdrcde.pdf

Gneiting, T., Quantiles as optimal point forecasts. International Journal of Forecasting, 27, pp. 197-207, 2011. DOI: 10.1016/j.ijforecast.2009.12.015

Gneiting, T., Making and evaluating point forecasts. Journal of the American Statistical Association, 106(494), pp. 746-762, 2012. DOI: 10.1198/jasa.2011.r10138

Dimensions

PlumX

Visitas a la página del resumen del artículo

572

Descargas

Los datos de descarga aún no están disponibles.

Cómo citar

[1]
S. Aguilar-Vargas, R. Castro-Souza, J. F. Pessanha, y F. L. Cyrino-Oliveira, «Metodología híbrida para el modelado de la generación de energía eólica de corto plazo mediante la estimación de la densidad condicional por Kernel y análisis espectral singular», DYNA, vol. 84, n.º 201, pp. 145–154, abr. 2017, doi: 10.15446/dyna.v84n201.59541.

Licencia

Derechos de autor 2017 DYNA

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.

El autor o autores de un artículo aceptado para publicación en cualquiera de las revistas editadas por la facultad de Minas cederán la totalidad de los derechos patrimoniales a la Universidad Nacional de Colombia de manera gratuita, dentro de los cuáles se incluyen: el derecho a editar, publicar, reproducir y distribuir tanto en medios impresos como digitales, además de incluir en artículo en índices internacionales y/o bases de datos, de igual manera, se faculta a la editorial para utilizar las imágenes, tablas y/o cualquier material gráfico presentado en el artículo para el diseño de carátulas o posters de la misma revista.