Model membantu memilih lokasi ladang angin, memprediksi keluaran – Sains Terkini


Angin selalu bertiup di suatu tempat, tetapi memutuskan di mana menemukan sebuah ladang angin sedikit lebih rumit daripada mengangkat jari yang basah. Sekarang tim peneliti Penn State memiliki model yang dapat menemukan tempat terbaik untuk ladang angin dan bahkan membantu dengan prediksi 24 jam dari output energi.

"Biasanya, orang yang berencana membangun ladang angin akan mencari medan yang bagus dan kecepatan angin rata-rata yang tidak terlalu kuat dan tidak terlalu lemah, tetapi konsisten," kata Guido Cervone, profesor geografi, dan meteorologi serta ilmu atmosfer. "Kami menemukan cara yang lebih akurat dan efisien untuk melihat perkiraan angin di lokasi tertentu, faktor kunci ketika mempertimbangkan membangun ladang angin baru. Dengan bahan bakar fosil dan energi nuklir Anda tahu persis berapa banyak energi yang akan Anda miliki. Tetapi angin tidak seperti bahwa."

Lokasi, untuk keluaran listrik secara umum, adalah penting, tetapi dapat memperkirakan berapa banyak energi angin yang akan dihasilkan pertanian 24 jam di masa depan juga penting. Pemasok listrik membeli energi yang dihasilkan oleh ladang angin dan menginginkan keandalan. Peternakan angin secara rutin menjual output listrik mereka kepada pemasok, tetapi mereka juga ingin dapat menjadwalkan, 24 jam di muka, berapa banyak daya yang akan mereka hasilkan.

"Pemasok listrik perlu mengetahui berapa banyak daya yang tersedia sehari ke depan," kata Cervone, yang juga associate director dari Penn State Institute for CyberScience. "Mereka perlu memiliki sumber yang dapat diandalkan karena mereka tidak dapat memiliki pemadaman. Mereka juga tidak ingin membeli lebih banyak listrik di pasar spot karena pembelian di hari yang sama lebih mahal."

Cervone dan Mehdi Shahriar, penerima doktoral Penn State baru-baru ini dalam teknik energi dan mineral, menggunakan Analog Ensemble, yang dikembangkan oleh Pusat Nasional untuk Penelitian Atmosfer, untuk menganalisis kesalahan dalam prediksi produksi listrik pertanian-angin di seluruh negeri.

AnEn menggunakan serangkaian historis pengamatan dan prediksi masa lalu yang mencakup setidaknya beberapa bulan, tetapi lebih disukai dua tahun. Ini memberikan model probabilitas perkiraan, dalam hal ini angin yang tersedia untuk produksi daya.

"Kami mengamati bahwa lokasi dengan kecepatan angin rata-rata yang lebih tinggi dikaitkan dengan tingkat ketidakpastian perkiraan yang lebih besar yang meningkatkan kesulitan untuk memprediksi kecepatan angin di lokasi ini," para peneliti melaporkan baru-baru ini di Energi terbarukan.

Dengan menggunakan ramalan masa lalu dari lokasi penempatan potensial, pembangun ladang angin dapat memilih lokasi dengan kecepatan angin rata-rata yang lebih rendah, tetapi angin yang lebih konsisten dan dapat diprediksi.

Pendekatan para peneliti tidak memberikan jawaban sederhana ya atau tidak pada apakah akan ada angin. Model ini menghasilkan kurva probabilitas untuk produksi angin dari mana perusahaan dapat membuat keputusan sambil memahami risikonya. Jika model mengatakan kemungkinan angin yang cukup untuk produksi listrik adalah sekitar 80%, baik pemilik ladang angin dan pembeli listrik tahu risiko angin tidak mencukupi. Jika probabilitasnya adalah 20%, niscaya keduanya akan memutuskan bahwa risikonya akan terlalu besar untuk bergantung pada ladang angin untuk listrik.

"Jika kita dapat memprediksi kecepatan angin, kita dapat memprediksi output dan mengetahui berapa banyak energi yang akan kita hasilkan selama waktu tertentu," kata Cervone.

Modelnya sangat efisien. Mengingat ramalan saat ini, ia mencari ramalan bersejarah yang cocok dan memberikan kecepatan angin dan durasi yang sebenarnya.

"Model ini efisien secara komputasi," kata Cervone. "Kita bisa menjalankannya terus menerus di area yang luas dengan sedikit masalah."

Referensi:

Bahan disediakan oleh Penn State. Catatan: Konten dapat diedit untuk gaya dan panjangnya.

You may also like...

Leave a Reply

This site uses Akismet to reduce spam. Learn how your comment data is processed.