Published May 28, 2022
| Version v1
Publication
Open
Wind Energy Resource Prediction and Optimal Storage Sizing to Guarantee Dispatchability: A Case Study in the Kenyan Power Grid
- 1. University of Eldoret
- 2. Jomo Kenyatta University of Agriculture and Technology
Description
Kenya is experiencing a fast increase in grid-connected intermittent renewable energy sources (RESs) to meet its increased power demand, and at the same time be able to fulfill its Paris Agreement obligations of abating greenhouse gas emissions. For instance, Kenya has 102 MW of grid-tied solar power and 410 MW of grid-tied wind power. However, these sources are very intermittent with low predictability. Thus, after their installation and integration into the grid, they impose a new challenge for the secure, reliable, and economic operation of the system. To mitigate these and to ensure proper planning of the system operations, accurate and faster prediction of the generation output of the wind energy resources and optimal design and sizing of storage for the large-scale wind energy integration into the grid are of paramount importance. Artificial intelligence (AI) and metaheuristic techniques have proven to be efficient and robust in offering solutions to complex nonlinear prediction and optimization problems. Therefore, this study aims to utilize backpropagation neural network (BPNN) algorithm to conduct hourly prediction of the generation output of Lake Turkana Wind Power Plant (LTWPP), a 310 MW plant connected to the Kenyan power grid, and optimally size its battery energy storage system (BESS) using genetic algorithm (GA) to guarantee its dispatchability. The historical weather data, namely wind speed, ambient temperature, relative humidity, wind direction, and generation output from LTWPP, are employed in the training, testing, and validation of the neural network. LTWPP and BESS are modelled in MATLAB R2016a software. Thereafter, the developed BPNN and GA algorithms are applied to the modelled systems to predict the wind output and optimize the storage system, respectively. BESS optimization with neural prediction reduces the BESS capacity and investment costs by 59.82%, while the overall dispatchability of LTWPP is increased from 73.36% to 90.14%, hence enabling the farm to meet its allowable loss of power supply probability (LPSP) index of 0.1 while guaranteeing its dispatchability.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
تشهد كينيا زيادة سريعة في مصادر الطاقة المتجددة المتقطعة المتصلة بالشبكة (RESs) لتلبية الطلب المتزايد على الطاقة، وفي الوقت نفسه تكون قادرة على الوفاء بالتزاماتها بموجب اتفاقية باريس للحد من انبعاثات غازات الدفيئة. على سبيل المثال، تمتلك كينيا 102 ميغاواط من الطاقة الشمسية المربوطة بالشبكة و 410 ميغاواط من طاقة الرياح المربوطة بالشبكة. ومع ذلك، فإن هذه المصادر متقطعة للغاية مع انخفاض القدرة على التنبؤ. وبالتالي، بعد تركيبها ودمجها في الشبكة، فإنها تفرض تحديًا جديدًا للتشغيل الآمن والموثوق والاقتصادي للنظام. للتخفيف من هذه ولضمان التخطيط السليم لعمليات النظام، من الأهمية بمكان التنبؤ الدقيق والأسرع بإنتاج توليد موارد طاقة الرياح والتصميم الأمثل وحجم التخزين لدمج طاقة الرياح على نطاق واسع في الشبكة. أثبت الذكاء الاصطناعي (AI) وتقنيات metaheuristic فعاليتها وقوتها في تقديم حلول لمشاكل التنبؤ والتحسين غير الخطية المعقدة. لذلك، تهدف هذه الدراسة إلى الاستفادة من خوارزمية الشبكة العصبية للانتشار العكسي (BPNN) لإجراء التنبؤ كل ساعة بإنتاج توليد محطة طاقة الرياح في بحيرة توركانا (LTWPP)، وهي محطة بقدرة 310 ميجاوات متصلة بشبكة الطاقة الكينية، وحجم نظام تخزين طاقة البطارية (BESS) على النحو الأمثل باستخدام الخوارزمية الجينية (GA) لضمان قابليتها للإرسال. يتم استخدام بيانات الطقس التاريخية، وهي سرعة الرياح ودرجة الحرارة المحيطة والرطوبة النسبية واتجاه الرياح وإنتاج التوليد من LTWPP، في التدريب والاختبار والتحقق من صحة الشبكة العصبية. تم تصميم LTWPP و BESS في برنامج MATLAB R2016a. بعد ذلك، يتم تطبيق خوارزميات BPNN و GA المطورة على الأنظمة المنمذجة للتنبؤ بإخراج الرياح وتحسين نظام التخزين، على التوالي. يؤدي تحسين BESS مع التنبؤ العصبي إلى تقليل قدرة BESS وتكاليف الاستثمار بنسبة 59.82 ٪، في حين يتم زيادة قابلية الإرسال الإجمالية لـ LTWPP من 73.36 ٪ إلى 90.14 ٪، وبالتالي تمكين المزرعة من تلبية مؤشر احتمال فقدان إمدادات الطاقة المسموح به (LPSP) البالغ 0.1 مع ضمان قابليتها للإرسال.Translated Description (French)
Le Kenya connaît une augmentation rapide des sources d'énergie renouvelables intermittentes (SER) connectées au réseau pour répondre à sa demande accrue d'électricité, tout en étant en mesure de remplir ses obligations de l'Accord de Paris en matière de réduction des émissions de gaz à effet de serre. Par exemple, le Kenya dispose de 102 MW d'énergie solaire liée au réseau et de 410 MW d'énergie éolienne liée au réseau. Cependant, ces sources sont très intermittentes avec une faible prévisibilité. Ainsi, après leur installation et leur intégration dans le réseau, ils imposent un nouveau défi pour le fonctionnement sécurisé, fiable et économique du système. Pour atténuer ces effets et assurer une bonne planification des opérations du système, une prédiction précise et plus rapide de la production des ressources en énergie éolienne et une conception et un dimensionnement optimaux du stockage pour l'intégration de l'énergie éolienne à grande échelle dans le réseau sont d'une importance primordiale. L'intelligence artificielle (IA) et les techniques métaheuristiques se sont avérées efficaces et robustes pour offrir des solutions aux problèmes complexes de prédiction et d'optimisation non linéaires. Par conséquent, cette étude vise à utiliser l'algorithme du réseau neuronal de rétropropagation (BPNN) pour effectuer une prédiction horaire de la production de la centrale éolienne du lac Turkana (LTWPP), une centrale de 310 MW connectée au réseau électrique kenyan, et à dimensionner de manière optimale son système de stockage d'énergie par batterie (BESS) à l'aide d'un algorithme génétique (GA) pour garantir sa capacité d'expédition. Les données météorologiques historiques, à savoir la vitesse du vent, la température ambiante, l'humidité relative, la direction du vent et la sortie de génération du LTWPP, sont utilisées dans la formation, les tests et la validation du réseau neuronal. LTWPP et BESS sont modélisés dans le logiciel MATLAB R2016a. Ensuite, les algorithmes BPNN et GA développés sont appliqués aux systèmes modélisés pour prédire la production éolienne et optimiser le système de stockage, respectivement. L'optimisation du BESS avec prédiction neuronale réduit la capacité du BESS et les coûts d'investissement de 59,82 %, tandis que la dispatchabilité globale du LTWPP est augmentée de 73,36 % à 90,14 %, permettant ainsi à la ferme de respecter son indice de probabilité de perte d'alimentation admissible (LPSP) de 0,1 tout en garantissant sa dispatchabilité.Translated Description (Spanish)
Kenia está experimentando un rápido aumento de las fuentes de energía renovables intermitentes (FER) conectadas a la red para satisfacer su mayor demanda de energía y, al mismo tiempo, poder cumplir con sus obligaciones del Acuerdo de París de reducir las emisiones de gases de efecto invernadero. Por ejemplo, Kenia tiene 102 MW de energía solar conectada a la red y 410 MW de energía eólica conectada a la red. Sin embargo, estas fuentes son muy intermitentes con baja predictibilidad. Así, tras su instalación e integración en la red, imponen un nuevo reto para el funcionamiento seguro, fiable y económico del sistema. Para mitigarlos y garantizar una planificación adecuada de las operaciones del sistema, la predicción precisa y rápida de la producción de generación de los recursos de energía eólica y el diseño y dimensionamiento óptimos del almacenamiento para la integración de energía eólica a gran escala en la red son de suma importancia. La inteligencia artificial (IA) y las técnicas metaheurísticas han demostrado ser eficientes y sólidas para ofrecer soluciones a problemas complejos de predicción y optimización no lineales. Por lo tanto, este estudio tiene como objetivo utilizar el algoritmo de la red neuronal de retropropagación (BPNN) para realizar una predicción horaria de la producción de generación de la central eólica del lago Turkana (LTWPP), una planta de 310 MW conectada a la red eléctrica de Kenia, y dimensionar de manera óptima su sistema de almacenamiento de energía en batería (BESS) utilizando un algoritmo genético (GA) para garantizar su capacidad de despacho. Los datos meteorológicos históricos, a saber, la velocidad del viento, la temperatura ambiente, la humedad relativa, la dirección del viento y la producción de generación de LTWPP, se emplean en la capacitación, prueba y validación de la red neuronal. LTWPP y BESS se modelan en el software MATLAB R2016a. Posteriormente, los algoritmos BPNN y GA desarrollados se aplican a los sistemas modelados para predecir la producción eólica y optimizar el sistema de almacenamiento, respectivamente. La optimización de BESS con predicción neuronal reduce la capacidad de BESS y los costos de inversión en un 59.82%, mientras que la capacidad de despacho general de LTWPP aumenta del 73.36% al 90.14%, lo que permite a la granja cumplir con su índice de probabilidad de pérdida de suministro de energía (LPSP) permisible de 0.1 al tiempo que garantiza su capacidad de despacho.Files
Least-Cost-Power-Development-Plan-2011-2031.pdf.pdf
Files
(5.3 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:adbf5bbb74837b5c675ce01f64a01de0
|
5.3 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التنبؤ بموارد طاقة الرياح والتحجيم الأمثل للتخزين لضمان قابلية التوزيع: دراسة حالة في شبكة الطاقة الكينية
- Translated title (French)
- Prévision des ressources en énergie éolienne et dimensionnement optimal du stockage pour garantir la dispatchabilité : une étude de cas dans le réseau électrique kenyan
- Translated title (Spanish)
- Predicción de recursos de energía eólica y tamaño óptimo de almacenamiento para garantizar la capacidad de despacho: un estudio de caso en la red eléctrica de Kenia
Identifiers
- Other
- https://openalex.org/W4281765281
- DOI
- 10.1155/2022/4044757
References
- https://openalex.org/W1876863222
- https://openalex.org/W1964886660
- https://openalex.org/W1966499742
- https://openalex.org/W1968378534
- https://openalex.org/W1989092102
- https://openalex.org/W2003948968
- https://openalex.org/W2008300604
- https://openalex.org/W2030328066
- https://openalex.org/W2038799929
- https://openalex.org/W2039238531
- https://openalex.org/W2040317870
- https://openalex.org/W2050683094
- https://openalex.org/W2055900399
- https://openalex.org/W2058504886
- https://openalex.org/W2060349630
- https://openalex.org/W2060606400
- https://openalex.org/W2070795314
- https://openalex.org/W2081164294
- https://openalex.org/W2086590688
- https://openalex.org/W2098053680
- https://openalex.org/W2102501485
- https://openalex.org/W2111395484
- https://openalex.org/W2113350326
- https://openalex.org/W2115397224
- https://openalex.org/W2121067351
- https://openalex.org/W2143607269
- https://openalex.org/W2159088483
- https://openalex.org/W2160052703
- https://openalex.org/W2163006955
- https://openalex.org/W2166889509
- https://openalex.org/W2169980881
- https://openalex.org/W2179877357
- https://openalex.org/W2223338370
- https://openalex.org/W2513449693
- https://openalex.org/W2537894283
- https://openalex.org/W2590295725
- https://openalex.org/W2612382074
- https://openalex.org/W2762126907
- https://openalex.org/W2806385861
- https://openalex.org/W2809417225
- https://openalex.org/W2809816002
- https://openalex.org/W2891628708
- https://openalex.org/W2911348687
- https://openalex.org/W2913207199
- https://openalex.org/W2946831174
- https://openalex.org/W2954412853
- https://openalex.org/W2976488091
- https://openalex.org/W2982621339
- https://openalex.org/W3000632091
- https://openalex.org/W3021814976
- https://openalex.org/W3024790739
- https://openalex.org/W3078231620
- https://openalex.org/W3084023372
- https://openalex.org/W3110937578
- https://openalex.org/W4238237607
- https://openalex.org/W4246746725
- https://openalex.org/W4250503569