Development of methods for regional wind power forecasting

• Auteur / Autrice : Nils Walter Siebert
• Direction : Georges Kariniotakis
• Type : Thèse de doctorat
• Discipline(s) : Énergétique
• Date : Soutenance en 2008
• Etablissement(s) : Paris, ENMP

Mots clés

Mots clés contrôlés

Statistique mathématique

Simulation, Méthodes de

Théorie de la prévision

Électricité -- Production

Énergie éolienne

Résumé

L'intégration à grande échelle de l'énergie éolienne dans les réseaux électriques peut poser des problèmes aux opérateurs de ces réseaux car, contrairement aux moyens de production conventionnels, la production éolienne est variable et non contrôlable. Pour réduire l’impact de certains de ces problèmes, les gestionnaires de réseaux expriment le besoin de prévisions à court terme (de 48 à 120 heures) de la production agrégée des parcs éoliens situés dans une région définie. Le but de la thèse est de développer un cadre d’analyse et des outils permettant de faciliter la mise en place de modèles de prévision de la production éolienne régionale. La thèse présente tout d’abord un cadre d’analyse permettant de caractériser la production éolienne régionale. Par ce biais, les propriétés saillantes de la production régionale, qui doivent être prises en compte lors de la conception d’un modèle de prévision régionale, sont identifiées. Le problème de la prévision régionale est ensuite abordé comme un problème d’apprentissage statistique. Nous définissons trois approches de modélisation générique permettant la combinaison de sous-modèles. L’influence de ces approches sur la précision des prévisions est étudiée ainsi que celle du choix des sous-modèles. Pour permettre la comparaison de sous-modèles, nous introduisons un modèle de prévision éolienne dont la performance est comparable aux modèles de l’état de l’art. Finalement, nous examinons l’impact sur la précision de prévision qu’a le choix des variables explicatives et nous proposons des règles générales de sélection dans le cadre de la prévision éolienne régionale. Pour faciliter le processus de modélisation, des méthodes de sélection automatique sont étudiées. Deux méthodes (une méthode filtre et une méthode wrapper) qui exploitent les caractéristiques propres au problème sont proposées. Nous montrons que ces méthodes sont plus performantes qu’une méthode générique de l’état de l’art.

The large-scale integration of wind power can be a challenge for power system operators because, unlike conventional power sources, wind power is variable and non-dispatchable. To alleviate some of the problems posed by large-scale wind power integration, power system operators express the need for short-term (48 to 120 hours ahead) forecasts of the aggregated output of all wind farms within a specified geographical region. The aim of the thesis is to develop a framework and tools to help in the implementation of statistical regional wind power forecasting models. We first propose a framework for the characterization of the regional wind power. In this way, salient aspects of the regional wind power forecasting problem that must be taken into account when designing a regional forecasting model are identified. We then examine the regional forecasting problem from a statistical learning perspective. We define three generic approaches that can be used to combine sub-models to build regional models. The influence of these approaches on forecast accuracy is examined, as well as that of the choice of sub-models. The comparison of sub-models is made possible by the introduction of a novel forecasting model whose performance is shown to be comparable to that of other state-of-the-art models. Finally, we examine the impact of explanatory variable selection on forecast accuracy and derive general guidelines applicable in the frame of regional wind power forecasting. To ease modelling, automatic selection techniques are investigated. Two variable selection methods (a filter and a wrapper method) that exploit problem-specific characteristics are proposed. These methods are shown to compare very favourably to a generic state-of-the-art method.