Improvement of short-term numerical wind predictions

Bédard, Joël (2010). Improvement of short-term numerical wind predictions. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation	PDF Télécharger (14MB) | Prévisualisation
Prévisualisation	PDF Télécharger (6MB) | Prévisualisation

Résumé

With the sustained growth of wind energy installed capacity for electricity generation, electricity system operators have increasing challenges balancing the electricity grid, notably in regards to minimizing the cost of other energy sources dispatch. Due to the variability of wind, wind power generation forecasting is an important issue for the economic viability of wind energy, whether in regulated or open markets. Therefore, there is a pressing need for robust short-term (up to 48 hours) surface wind forecast models, and eventually wind power forecast models, in order to sustain the integration of wind energy in electricity portfolios of jurisdictions.

Computed for the needs of the wind energy industry, three years of experimental meteorological forecasts in Eastern Canada are available from Environment Canada Numerical Weather Prediction (NWP) model configured on a limited-area (GEM-LAM 2.5 km) for wind power predictions. These data include forecasts for the region of North Cape (Prince Edward Island) where the Wind Energy Institute of Canada runs a test site for wind turbines. Although the model spatial resolution is already relatively high (2.5 km), preliminary statistical analysis and site inspection revealed that the model does not have sufficient grid spacing refinement to properly represent the meteorological phenomena on this complex coastal site. For this reason, a Geophysic Model Output Statistic (GMOS) module has been developed and applied to optimize the use of the short-term NWP. GMOS differs from other MOS that are widely used by meteorological centers in the following aspects: 1) it takes into accounts the surrounding geophysical parameters such as surface roughness, terrain height, etc. along with the wind direction; 2) GMOS can be directly applied for model output correction without any training although a training of the GMOS will further improve the results.

This statistical module was trained and tested over the North Cape site and it basically improves the predictions RMSE by 25 – 30 % for all time horizons and almost all meteorological conditions. Also, the topographic signature of the forecast error due to insufficient grid refinement is eliminated and the NWP combined with the GMOS now outperforms the persistence model after a 2 h horizon, instead of 4 h without the GMOS. Ultimately, in order to generalize the results, this methodology has been validated by an independent test case performed on a site located in Bouctouche (New Brunswick). Similar improvements on the GEM-LAM 2.5km forecasts were observed thus, showing the general
applicability of the GMOS.

Although the current study presents an optimization of the use of short-term NWP for wind power forecasts using a statistical module, it also contributes to the development of a methodology and an analysis tool to assess and understand the NWP uncertainties on the amplitude and the phase of the surface wind forecast errors for different meteorological situations. A better knowledge of the wind speed and wind power forecast uncertainties, along with more accurate short-term wind forecast models, will increase the economic value of wind energy on the market.

Résumé traduit

Avec la croissance soutenue de l’énergie éolienne sur les marchés énergétiques, les opérateurs des réseaux électriques ont de plus en plus de défis à relever en matière d’équilibrage de réseau, le tout afin de minimiser les coûts associés à la gestion des autres sources énergétiques. Le vent étant une source énergétique variable, la prévision de la puissance éolienne est donc l’une des solutions qui permettra à ce type d’énergie de devenir viable du point de vue économique, tant sur les marchés régulés que dans les marchés ouverts. Dorénavant, il semble qu’il y ait un besoin urgent pour des modèles permettant de prédire de manière fiable la puissance éolienne à court-terme (0 – 48 h); ceci, afin de maintenir l’intégration de l’énergie éolienne dans le portefeuille énergétique des différentes juridictions.

En fonction des besoins de l’industrie éolienne, « Environnement Canada » effectue, depuis trois ans, des prévisions météorologiques expérimentales dans l’est canadien à l’aide d’un modèle de prévisions numériques à aire limitée (GEM-LAM 2.5 km). La région couverte englobe la péninsule gaspésienne ainsi qu’une partie des provinces maritimes. Cette région couvre plusieurs sites éoliens tels que North Cape. Ce site est situé à l’Ile du Prince Édouard où le Wind Energy Institute of Canada opère un centre d’essais éolien. Une analyse préliminaire des prévisions et une inspection minutieuse de ce site ont permis de démontrer que, bien que la résolution du modèle soit déjà relativement haute, elle manque tout de même de raffinement afin de bien représenter les phénomènes météorologiques pour ce site côtier à topographie complexe. Pour cette raison, un module géophysique de traitement statistique des sorties (Geophysic Model Output Statistic (GMOS)) a été développé et appliqué afin de permettre une optimisation de l’utilisation du modèle de prévision météorologique à des fins de prévision de la puissance éolienne à court-terme. GMOS diffère des MOS couramment utilisés dans les centres météorologiques par les aspects suivants : 1) il prend en compte les paramètres géophysiques régionaux (hauteur topographique, rugosité de surface, etc.) ainsi que la direction du vent; 2) il peut être directement appliqué pour corriger les sorties de différents modèles numériques sans entraînement, bien qu’un entraînement soit bénéfique.

Ce module statistique a été entrainé et testé pour le site de North Cape, où il a réduit l’erreur quadratique des prévisions de 25 à 30 %. Cette amélioration significative est observable pour tous les horizons temporels ainsi que pour la majorité des conditions météorologiques.

De plus, la signature topographique de l’erreur de prévision a été éliminée suite à l’application du GMOS. D’ailleurs, le modèle de prévision numérique combiné au GMOS offre une prévision supérieure à celle de la persistance dès un horizon de 2 h. Ce gain n’était observable qu’à partir d’un horizon de 4 h sans l’utilisation du GMOS. Enfin, une validation effectuée pour un site établi à Bouctouche (Nouveau Brunswick), présentant des améliorations similaires des prévisions de vent de surface, a permis de démontrer l’applicabilité générale de la méthode.

Cette étude, présentant un module statistique permettant l’optimisation de l’utilisation des prévisions météorologiques à haute résolution, a aussi contribué au développement d’une méthodologie afin de mieux comprendre les erreurs de prévisions reliées aux différentes conditions météorologiques. Cet outil d’analyse a permis d’évaluer la contribution d’erreur de phase et d’amplitude pour des conditions atmosphériques normales ainsi que pour divers évènements météorologiques à caractère dynamique tels que les variations subites de vitesse du vent, le passage de dépressions etc. Une compréhension accrue des erreurs de prévisions ainsi que l’acquisition de prévisions éoliennes plus précises permettront d’augmenter la valeur économique de l’énergie éolienne sur le marché.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment of the requirements for a master's degree in mechanical engineering". Bibliogr. : f. [116]-119.
Mots-clés libres:	Vents Prévision. Vents Simulation par ordinateur. Énergie éolienne. prévision de puissance, prévisions numériques, couche limite atmosphérique, vent de surface, sites complexes, statistiques de sortie, analyse d’erreur
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Masson, Christian
Codirecteur:	Codirecteur Gagnon, Yves Yu, Wei
Programme:	Maîtrise en ingénierie > Génie mécanique
Date de dépôt:	18 nov. 2010 16:44
Dernière modification:	18 janv. 2017 01:45
URI:	https://espace.etsmtl.ca/id/eprint/296

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt