ДОКЛАДЫ АКАДЕМИИ НАУК
ВЫСШЕЙ ШКОЛЫ РОССИЙСКОЙ ФЕДЕРАЦИИ

Для прогнозирования скорости ветра и угла его направления предлагается использовать авторегрессию на основе концепции нечетких систем, которая признана достаточно удобным инструментом моделирования. Цель нечеткого регрессионного анализа состоит в том, чтобы найти регрессионную модель, которая удовлетворяет всем наблюдаемым нечетким данным в пределах указанного критерия оптимальности. Согласно этому методу, коэффициенты регрессии являются нечеткими числами, которые могут быть выражены как числа интервала со значениями принадлежности. В работе осуществляется прогнозирование скорости и направления ветровых потоков для Дальневосточного побережья. Показано, что на этой основе может быть определена мощность и выработка электроэнергии ветроэлектростанции и возможность покрытия ею графика нагрузки с функцией аккумулирования энергии. Высокое внедрение ветровых электростанций (ВЭС) в энергосистему приводит к некоторым  неудобствам в работе системных операторов, прежде всего это связано с непредсказуемым и изменчивым характером скорости ветра и вырабатываемой ВЭС мощности соответственно. Несмотря на то что мощность, выработанная на ВЭС, не регулируется системным оператором, точное прогнозирование скорости ветра и угла его направления могло бы решить данную проблему, внеся тем самым существенный вклад в повышение надежности систем электроснабжения.

1. Chang W.Y. Short term wind power forecasting using EPSO based hybrid method // Energies. – 2013. – N 6. – P. 4879–4896.
2. Grogg K. Harvesting the wind: the physics of wind turbines. – Northfield: Carleton College, USA, 2005. – 42 p.
3. Chang W.Y. Comparison of three short term wind power forecasting systems // Advanced Materials Research. – 2013. – N 684. – P. 671–675.
4. Chang W.Y. An RBF neural network combined with OLS algorithm and genetic algorithm for short-term wind power forecasting // Journal of Applied Mathematics. – 2013. – Art. 971389. – P. 1–9.
5. Sideratos G., Hatziargyriou N.D. An advanced statistical method for wind power forecasting // IEEE Transactions on Power Systems. – 2007. – N 22. – P. 258–265.
6. A review on the forecasting of wind speed and generated power / L. Ma, S.Y. Luan, C.W. Jiang, H.L. Liu, Y. Zhang // Renewable and Sustainable Energy Reviews. – 2009. – N 13. – P. 915–920.
7. Lange M., Focken U. New developments in wind energy forecasting // Proceedings of the 2008 IEEE Power and Energy Society Generalizing, Pittsburgh, 20–24 July. – Pittsburgh, PA, 2008. – P. 1–8.
8. Chang W.Y. A literature review of wind forecasting methods // Journal of Power and Energy Engineering. – 2014. – N 2. – P. 161–168.
9. Papalexopoulos A.D., Hao S., Peng T.M. An implementation of a neural network based load forecasting model for the EMS // IEEE Transactions on Power Systems. – 1994. – N 9. – P. 1956–1962.
10. Takagi T., Sugeno M. Fuzzy identification of systems and its applications to modeling and control // IEEE Transactions on Systems, Man and Cybernetics. – 1985. – Vol. 15, N 1. – P. 116–132.
11. Попов А.А. Оптимальное планирование эксперимента в задачах структурной и параметрической идентификации моделей многофакторных систем: монография. – Новосибирск: Изд-во НГТУ, 2013. – 296 с.
12. Манусов В.З., Хасанзода Н., Бобоев Ш.А. Исследование оптимальных режимов интеллектуальных сетей с двухсторонним потоком энергии // Научный вестник НГТУ. – 2018. – № 3 (72). – С. 175–190.
13. Манусов В.З., Хасанзода Н. Оптимизация энергоэффективности ветровых ресурсов Дальнего Востока на основе алгоритма роевого интеллекта // Альтернативная энергетика и экология (ISJAEE). – 2018. – № 19–21. – С. 12–22.
14. Manusov V.Z., Khasanzoda N., Palagushkin B.V. Using wind resources of Far East in Smart Grid technology with the optimum two-way energy flow // 13 International Forum on Strategic Technology (IFOST 2018): proceedings. – Harbin, China, 2018. – P. 713–718.