Evaluation of wind capacity credit using discrete convolution considering the mechanical failure of wind turbines
Notice bibliographique
Résumé
In view of the increasing role of wind power generation, there is an evolving body of reliability methods that are concerned with improved modeling of wind generation and related phenomena. An important consideration in the planning of wind generation projects is the capacity value of the farm at the proposed location. The modeling considerations in this process should take into account not only the variable nature of wind and the mechanical failure of turbines, but also the correlation between the individual turbines on the farm. This paper introduces an analytical method to calculate the capacity credit of wind farms including the mechanical failure of wind turbines. The proposed method is based on the discrete convolution technique and takes into account the stochastic nature of wind power as well as the forced outage rates (FOR) of wind turbines. The discrete convolution method has been used in this work to build a generation model in the form of a capacity outage probability table (COPT). A comparison of wind power capacity credit with and without considering the mechanical failures of wind turbines is shown to demonstrate the impact of turbine failure. Also, the capacity credit is calculated based on two reliability indices which are Loss of Load Expectation, LOLE, and Loss of Energy Expectation, LOEE. The proposed method is applied on the IEEE RTS-79 and the hourly wind speed data were taken from Abee Agdm Alberta, Canada. The results show the importance of inclusion of FOR of wind turbines on estimating wind power capacity credit. The results are validated using Monte Carlo simulation.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,006 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».