풍력 예측

이 문서에는 여러 가지 문제가 있습니다.개선을 돕거나 토크 페이지에서 이러한 문제에 대해 논의해 주십시오.(이러한 템플릿메시지를 삭제하는 방법과 타이밍에 대해 설명합니다) 이 문서는 갱신할 필요가 있습니다.그 이유는 도시들은 대부분 오래됐기 때문이다. 최근의 이벤트나 새로운 정보를 반영하기 위해서, 이 문서를 갱신해 주세요.【2019년 7월】 이 문서에는 일반적인 참조 목록이 포함되어 있지만 대응하는 충분한 인라인 인용이 없습니다. 좀 더 정확한 인용문을 도입하여 이 기사의 개선에 협조해 주십시오.(2009년 4월) (이 템플릿메시지의 삭제 방법 및 삭제 타이밍에 대해 알아보기) (이 템플릿메시지를 삭제하는 방법과 타이밍을 확인합니다)

풍력 발전 예측은 최대 ^[1]1년까지 가까운 미래에 하나 이상의 풍력 터빈(풍력 발전소로 지칭)의 예상 생산 추정치에 해당한다.예측은 보통 풍력 발전소의 가용 전력, 때로는 에너지 단위로^{[citation needed]} 표현되며, 이는 시간 간격에 따른 전력 생산 가능성을 나타낸다.

예측의 시간 척도

풍력 발전 예측은 용도에 ^[2][3]따라 다른 시간 척도로 고려할 수 있다.

• 초단기 예측(초에서 분까지)은 실시간 터빈 제어 및 전기 그리드 관리와 시장 정리를 위해 사용된다.
• 단기 예측(30분에서 최대 시간)은 디스패치 계획 및 인텔리전트 부하 분산 결정에 사용됩니다.
• 중기 예측(6시간에서 하루까지)은 안전 또는 시판 조건을 위해 터빈을 켜거나 끄는 결정을 하기 위해 사용된다.
• 장기 예측(하루에서 1주일 또는 1년까지)은 장기 계획에 사용됩니다(유지보수 또는 유닛의 약속 일정을 수립하고 운영 비용을 최적화하기 위해).해상 풍력 발전소의 유지보수는 특히 비용이 많이 들 수 있으므로, 유지관리 운영의 최적 계획이 특히 중요하다.

마지막 두 가지 가능성의 경우 풍력 예측의 시간 분해능은 (예측 길이에 따라) 10분에서 몇 시간 사이이다.풍력 예측의 개선은 관련된 모델에 대한 입력으로 더 많은 데이터를 사용하고 전통적으로 제공된 ^{[citation needed]}예측과 함께 불확실성 추정치를 제공하는 데 초점을 맞추고 있다.

풍력 예측 이유

전력망에서는 언제든지 전력 소비와 발전 사이에서 균형을 유지해야 합니다. 그렇지 않으면 전력 품질 또는 공급에 장애가 발생할 수 있습니다.풍력발전은 풍속의 직접적 함수이며, 기존 발전 시스템과 달리 쉽게 송출할 수 없기 때문에 풍력발전의 변동은 단기간에 이용할 수 없는 다른 발생원으로부터의 전력 대체가 필요하다(석탄 발전소의 경우 6시간, 원자력 ^[4]발전소의 경우 12시간 소요).풍력이 그리드에 공급되는 전체 전력의 작은 비율 이상을 제공하기 시작하면 문제는 더욱 복잡해집니다.더 나은 예측을 통해 전력회사는 일반적으로 천연 가스 기반 ^[4]발전기인 회전 비축량을 덜 배치할 수 있습니다.

예측은 일반적으로 두 가지 개별 시간 ^[5]척도로 유틸리티에 의해 요청됩니다.

1. 단기(6분~6시간) 예보를 사용하여 회전 예비량을 조정합니다.
2. 전력회사는 에너지 믹스를 계획하거나 다른 공급자로부터 전기를 구입하기 위해 장기(매일) 예측을 사용합니다.일반적으로 이 정보는 "하루 전" 기준으로(예: 오전 6시까지) 필요하지만, 시장은 주말과 공휴일에 작동하지 않는 경향이 있기 때문에 경우에 따라서는 더 긴 예보가 사용된다.

전력회사가 풍력발전을 전력시스템에 투입할 때 직면하는 과제는 재생 ^[6]가능 에너지의 비율에 따라 달라진다.전력 믹스에서 풍력발전 점유율이 가장 높은 국가 중 하나인 덴마크의 경우 2017-2018년 평균 풍력발전 보급률은 40-45%(전기 소비량의 40-45%가 풍력 에너지로 충족됨)인 반면, 순간 보급률(즉, 소비 전력 대비 순간 풍력 생산량)은 40-45%였다.특정 시간에 충족되는 이온)이 100% 이상일 때도 있습니다(가끔 ^[7]전기 요금이 마이너스인 경우도 있습니다).

TSO(Transmission System Operator)는 그리드 상의 전기 밸런스를 관리할 책임이 있습니다. 즉, 언제든지 전력 생산량이 소비량과 일치해야 합니다.따라서 부하프로파일에 대응하기 위해 미리 생산수단의 사용을 예정하고 있다.부하는 관심 영역의 총 전력 소비량에 해당합니다.부하 프로파일은 일반적으로 정밀도가 높은 부하 예측에 의해 제공됩니다.TSO는 일일 일정을 작성하기 위해 자체 전력 생산 수단을 고려할 수 있으며, 양자 계약 또는 전력 풀을 통해 독립 전력 생산업체(IPP) 및 전력회사로부터 전력을 구입할 수 있다.규제완화의 맥락에서 시장에 등장하는 주체가 늘어나면서 수직통합형 공익사업과 준지방독점의 전통적 상황이 깨지고 있다.두 가지 주요 메커니즘이 전기 시장을 구성합니다.첫 번째는 참가자들이 주어진 생산 원가에 다음날의 에너지 양을 제안하는 현물 시장입니다.옥션 시스템은 다른 입찰에 따라 다양한 기간의 전기 현물 가격을 정산할 수 있도록 한다.두 번째 메커니즘은 TSO에 의해 조정되는 발전의 균형입니다.에너지 부족과 잉여(예를 들어 발전소 고장 또는 풍력 발전 설비의 간헐적 중단으로 인한)에 따라 TSO는 의무를 이행하지 않은 IPP가 지급할 벌칙을 결정한다.경우에 따라서는 시정 조치를 ^{[citation needed]}취하기 위해 장중 시장이 존재하는 경우도 있다.

이러한 전력 시장 메커니즘을 설명하기 위해 네덜란드 전력 시장을 고려해 보십시오.Program Responsible Partys(PRP; 프로그램 책임 당사자)라고 불리는 시장 참여자는 오전 11시 이전에 가격 수량의 입찰서를 제출합니다.납부 기간은 자정부터 다음날 자정까지입니다.밸런스 시장의 프로그램 시간 단위(PTU)는 15분입니다.배전망에 연결된 모든 전기 생산자와 소비자는 15분 평균 전력의 균형을 유지해야 하며, 이러한 목적을 위해 하위 세트로 구성할 수 있다.이러한 하위 세트를 프로그램이라고 부르므로, 15분 척도의 밸런스를 프로그램 밸런스라고 부릅니다.현재 프로그램 잔고는 납품 전날 발행된 생산 일정과 측정 보고서(납품 다음날 배포)를 사용하여 유지됩니다.측정된 전력이 예정된 전력과 같지 않은 경우, 프로그램 불균형은 실현된 생산과 소비의 합계와 예측 생산과 소비의 합계의 차이이다.풍력 에너지로부터의 생산만 고려하는 경우, 프로그램 불균형은 실현 풍력 생산에서 예측 풍력 생산을 뺀 값으로 감소한다.프로그램 불균형은 풍력 생산 예측 ^{[citation needed]}오류입니다.

프로그램 불균형은 시스템 운영자에 의해 해결되며, 부정적인 프로그램 불균형과 긍정적인 프로그램 불균형에 대한 다른 관세로 해결됩니다.프로그램 불균형은 실제 생산되는 에너지가 예상보다 많다는 것을 나타냅니다.풍력 에너지에 의해 실현된 풍력 생산량은 예측 풍력 생산량보다 크다.풍력 ^{[citation needed]}에너지에 의한 프로그램 불균형이 마이너스인 경우, 그 반대도 마찬가지이다.

균형잡힌 시장 메커니즘에 따라 양의 불균형과 음의 불균형의 비용이 비대칭적일 수 있다는 점에 유의하십시오.일반적으로 풍력 발전 생산자들은 생산의 상당 부분이 벌칙의 ^{[citation needed]}대상이 될 수 있기 때문에 그러한 시장 시스템에 의해 불이익을 받는다.

시장 참여를 위해 동시에 풍력 및 재래식 발전, 풍력 및 수력 발전 또는 일부 에너지 저장 장치와 조합하여 풍력 발전의 최적 조합 작동을 위해 풍력 발전 예측을 사용할 수 있다.또한 이는 풍력 ^{[citation needed]}생산의 궁극적인 부족을 보상하기 위한 예비 수요를 수량화하는 기초가 된다.

일반적인 방법론

풍력 ^[8]발전의 단기 예측에는 다양한 수준의 정교함을 가진 여러 가지 기법이 사용된다.

• 지속성 방법은 순진하다. 다음 시간 간격의 풍력은 현재 측정된 순간 전력과 동일하게 유지된다고 가정한다.예측 효율은 시간이 지남에 따라 빠르게 악화되며, 일반적으로 이 방법은 다른 방법의 예측을 비교하기 위한 기본 수준의 수치 집합으로 사용된다.
• 수치 기상 예측 결과를 사용하여 풍력발전소 주변 지역의 물리적 특성을 이용하여 발전 현장의 풍속으로 재계산하고 터빈 동력 곡선을 사용하여 속도를 전력 예측으로 변환하는 물리적 방법
• 통계적 방법은 과거 데이터를 사용하여 훈련한 계수와 함께 수치 기상 예측 결과와 풍력 사이의 선형 또는 비선형 관계를 가정하는 모델에 기초한다.통계 모델의 두 가지 광범위한 하위 분류는 다음과 같다.
  • 시계열
  • ANN;
• 하이브리드 방식

단기 풍력 예측을 위한 고급 접근방식은 입력으로 기상 변수를 예측해야 한다.그런 다음 기상 변수 예측이 소위 전력 곡선을 통해 풍력 생산 예측으로 변환되는 방식이 다르다.이러한 고급 방법은 전통적으로 두 그룹으로 나뉩니다.물리적 접근법이라고 하는 첫 번째 그룹은 풍력발전소 주변 및 내부 풍류의 설명에 초점을 맞추고, 풍력 출력의 추정을 위해 제조사의 동력 곡선을 사용한다.이와 병행하여 통계적 접근법이라 불리는 두 번째 그룹은 물리적 현상에 대한 가정을 하지 않고 데이터에서 매개변수를 추정해야 하는 통계 모델을 통해 기상 예측(및 가능한 과거 측정)과 전력 출력 사이의 관계를 포착하는 데 집중한다.

기상 변수 예측

풍력발전은 기상조건과 직접 관련되므로 풍력예보의 첫 번째 측면은 풍력발전 수준에서 필요한 기상변수의 미래값 예측이다.이것은 수치예측(NWP) 모델을 사용하여 이루어집니다.이러한 모델은 유체의 움직임에 영향을 미치는 운동과 힘을 지배하는 방정식에 기초합니다.대기의 실제 상태에 대한 지식으로부터, 방정식 시스템은 일련의 그리드 지점에서 온도, 속도, 습도 및 압력과 같은 상태 변수의 진화를 추정할 수 있다.풍력 예측을 위해 입력으로 필요한 기상 변수에는 풍속과 방향뿐만 아니라 온도, 압력 및 습도도 포함될 수 있다.그리드 포인트 간의 거리를 NWP의 공간 분해능이라고 합니다.메시는 일반적으로 중간 크기 모델의 경우 몇 킬로미터에서 최대 50킬로미터 사이의 간격을 가지고 있습니다.시간축과 관련하여, 오늘날 대부분의 운영 모델의 예측 길이는 풍력 적용 요건에 적합한 48시간에서 172시간 사이이다.시간 분해능은 보통 1시간에서 3시간 사이입니다.NWP 모델은 직접 입력으로 사용되기 때문에 단기 풍력 예측 방법에 시간 분해능을 부과한다.

기상 변수 예측은 기상 기관에서 제공한다.기상학자들은 단기 및 중기 기상 예보를 위해 대기 모델을 사용한다.대기 모델은 가까운 미래의 대기 상태에 대한 물리적 기술의 수치 근사치이며, 보통 슈퍼컴퓨터에서 실행됩니다.각 계산은 최근 측정에서 비롯된 초기 조건으로 시작됩니다.출력은 수평 그리드의 다양한 수직 수준에서 예상되는 물리적 양의 순간 값과 시작 후 몇 시간까지 스텝 인 시간으로 구성된다.대기 모형이 현실에 근접하는 데는 몇 가지 이유가 있다.우선, 모든 관련 대기 과정이 모델에 포함되는 것은 아니다.또한 초기 조건에는 오류(더 나쁜 경우 전파)가 포함될 수 있으며, 출력은 공간(수평 및 수직)의 이산 지점과 시간에만 사용할 수 있습니다.마지막으로, 초기 조건은 시간에 따라 노화됩니다.출력이 공개되었을 때는 말할 것도 없고 연산이 개시되었을 때는 이미 오래된 상태입니다.기상 변수 예측은 하루에 여러 번(일반적으로 하루에 2-4회) 발행되며, 예측 기간이 시작된 후 몇 시간 후에 이용할 수 있다.이는 NWP 모델에 대한 입력으로 사용되는 측정의 양을 획득 및 분석한 후 모델을 실행하고 출력 예측 시리즈를 확인하고 배포하는 데 시간이 필요하기 때문입니다.이 간격은 대기 모형의 예측에서 사각지대입니다.네덜란드의 예시로 KNMI는 대기 모델 Hirlam이 초기화된 후 0~48시간 동안 풍속, 풍향, 온도 및 압력의 예상치를 측정 데이터로 하루 4회 발표하고 예측 전달 전 기간은 4시간이다.

학술 연구 도구에서 완전히 작동 가능한 기구까지 다양한 대기 모델을 사용할 수 있습니다.모델의 특성(물리적 프로세스 또는 수치적 체계) 이외에도 시간 영역(앞으로 몇 시간에서 6일), 영역(행성의 절반을 차지하는 영역까지 10,000km²), 수평 해상도(1km에서 100km) 및 시간 분해능(1시간에서 몇 시간)과 같은 몇 가지 뚜렷한 차이가 있다.

대기 모델 중 하나는 유럽에서 자주 사용되는 HIRLAM(High Resolution Limited Area Model)입니다.HIRLAM에는 많은 버전이 있습니다.따라서 HIRLAM은 "the" HIRLAM보다 "a" HIRLAM을 말하는 것이 좋습니다.각 버전은 네덜란드 KNMI, 덴마크 DMI 또는 핀란드 FMI와 같은 국립 기관이 관리하고 있으며, 각 기관은 운영, 사전 운영, 준 운영 및 연구 목적과 같은 범주로 구분되어 있습니다.

다른 대기 모델은

• 영국의 UM은 Met Office에서 운영하고 있습니다.
• 독일의 COSMO와 ICON, DWD가 운영하고 있습니다.
• 프랑스의 ALADIN, Météo-France가 운영하는
• 및 NCEP에 의해 운영되는 미국의 GFS.

ALADIN과 COSMO는 유럽 내 다른 국가에서도 사용되고 있으며 UM은 호주 BOM에서 사용되고 있습니다.

풍력 예측에 대한 물리적 접근법

기상예보는 지역을 덮는 그리드의 특정 노드에서 제공된다.풍력 발전소는 이러한 노드에 위치하지 않기 때문에 원하는 위치와 터빈 허브 높이에서 이러한 예측을 추정해야 한다.물리적 기반 예측 방법은 특정 그리드 지점 및 모델 수준에서 바람 예측에서 고려된 현장의 전력 예측으로 변환되는 여러 하위 모델로 구성된다.모든 하위 모델에는 번역과 관련된 물리적 프로세스에 대한 수학적 설명이 포함됩니다.따라서 순수하게 물리적 예측 방법(예: 덴마크어 Prediktor의 초기 버전)을 개발할 때 모든 관련 프로세스에 대한 지식이 중요하다.물리적 접근법의 핵심 개념은 거칠기, 지형 및 장애물과 같은 지형에 대한 물리적 고려사항을 사용하고 대기 안정성을 고려할 수 있는 국지적 바람 프로파일을 모델링하여 NWP를 개선하는 것이다.이를 위한 두 가지 주요 대안은 다음과 같다. (i) 바람 프로필 모델링(대부분의 경우 로그 가정과)과 표면 바람을 얻기 위한 지질학적 항력 법칙을 결합하는 것, (ii) 전체 풍장을 고려할 때 팜이 볼 수 있는 바람장을 정확하게 계산할 수 있는 CFD(Computational Fluid Dynamics) 코드를 사용하는 것이다.지형에 대한 설명입니다.

풍력 발전 수준과 허브 높이에서 바람이 확인되면, 두 번째 단계는 풍속을 동력으로 변환하는 것이다.일반적으로 이 작업은 풍력 터빈 제조업체가 제공한 이론적 동력 곡선을 사용하여 수행됩니다.그러나 여러 연구에서 이론적인 곡선 대신 경험적으로 도출된 검정력 곡선을 사용하는 것에 관심이 있음을 보여왔기 때문에, 이론적인 검정력 곡선은 점점 덜 고려된다.물리적 방법론을 적용할 때, 풍력발전소 주변의 주어진 위치에서 NWP로부터 풍력을 발생시키는 기능의 모델링이 완전히 수행됩니다.그 후, 추정 전달 함수를 특정 순간의 이용 가능한 기상 예측에 적용한다.NWP 모델 또는 모델화 접근법에 의해 발생할 수 있는 체계적인 예측 오류를 설명하기 위해 물리적 모델러는 종종 후 처리 전력 예측을 위해 모델 출력 통계(MOS)를 통합합니다.

풍력 예측에 대한 통계적 접근법

통계적 예측 방법은 기상 변수의 과거 및 예측 값, 풍력 측정값뿐만 아니라 전력의 과거 값 사이의 관계를 설정하는 하나 이상의 모델에 기초한다.문제의 전문지식이 올바른 기상 변수를 선택하고 적절한 모델을 설계하는 데 중요한 경우에도 물리적 현상은 분해되고 설명되지 않는다.모델 매개변수는 과거 사용 가능한 데이터 집합에서 추정되며, 온라인 운영 중에 새로 사용 가능한 정보(예: 기상 예측 및 전력 측정)를 고려하여 정기적으로 업데이트됩니다.

통계 모델에는 선형 및 비선형 모델뿐만 아니라 구조 및 블랙박스 유형의 모델도 포함됩니다.구조 모델은 관심 현상에 대한 분석가의 전문지식에 의존하는 반면, 블랙 박스 모델은 주제에 대한 지식이 거의 필요하지 않으며 상당히 기계적인 방식으로 데이터로 구성됩니다.풍력 예측과 관련하여 구조 모델은 주간 풍속 변동의 모델링 또는 기상 변수 예측의 명시적 함수를 포함하는 모델이 될 것이다.블랙박스 모델에는 NN(Neural-Networks) 및 SVM(Support Vector Machine)과 같은 대부분의 인공지능 기반 모델이 포함됩니다.그러나 일부 모델은 완전히 블랙박스이거나 구조적인 양 극단의 '중간'에 있습니다.이는 경험(데이터셋)을 통해 학습하고 사전 지식을 주입할 수 있는 전문가 시스템의 경우입니다.다음으로 그레이박스 모델링에 대해 설명하겠습니다.통계 모델은 일반적으로 바람의 지속적 거동을 포착하기 위한 자기 회귀 부분과 기상 변수 예측의 비선형 변환으로 구성된 '기상학적' 부분으로 구성된다.자기 회귀 부분을 사용하면 기상 예측 정보의 단독 사용이 지속성을 능가하기에 충분하지 않을 수 있는 기간 동안 최대 6-10시간 전 지평선에 대한 예측 정확도를 크게 높일 수 있다.

오늘날 풍력 예측에 대한 통계적 접근법의 주요 개발은 입력 및 예측 조합으로서 (다른 기상청으로부터) 복수의 기상 예측을 사용하는 것뿐만 아니라 예측 오류 보정 또는 경고 발행을 위한 공간적으로 분산된 측정 데이터의 최적 사용에 초점을 맞추고 있다.잠재적으로 큰 불확실성에 대한 경고입니다.

구글의 DeepMind는 ^[9]뉴럴 네트워크를 사용하여 예측을 개선합니다.

풍력 예측의 불확실성

외부 이미지
덴마크 서부 및 동부, 에스토니아 등 3개 시스템 영역의 미래 예측

현재의 설계는 불안정하고 안정된 조건에만 최적입니다.불안정성과 난류를 설명하는 설계 도구는 훨씬 덜 ^[10]개발되었습니다.

풍력 출력의 예측은 전통적으로 점 예측의 형태로 제공되며, 즉 각 예측 시간에 대한 단일 값이 기대치 또는 가장 가능성이 높은 결과에 해당한다.이러한 단 하나의 값이 향후 발전의 모든 것을 말해 줄 것으로 기대되기 때문에 쉽게 이해할 수 있다는 장점이 있습니다.오늘날 풍력 예측에 대한 연구의 주요 부분은 여전히 점 예측에만 초점을 맞추고 있으며, 예를 들어 매우 국지적인 규모에서 풍장을 더 잘 표현하기 위해 모델에서 점점 더 많은 관측치를 흡수하거나 물리적 모델의 분해능을 개선하는 것을 목표로 하고 있다.이러한 노력은 예측 오차 수준의 현저한 감소로 이어질 수 있다.

그러나 기상 및 전력 변환 과정을 더 잘 이해하고 모델링하더라도 모든 예측에는 항상 내재적이고 축소할 수 없는 불확실성이 존재한다.이 인식론적 불확실성은 미래 사건에 영향을 미치는 과정에 대해 가지고 있는 불완전한 지식에 해당한다.따라서 향후 몇 시간 또는 며칠 동안 풍력 발전의 포인트 예측에 대한 보완을 위해 중요한 것은 이러한 예측의 정확성을 온라인으로 평가하기 위한 수단을 제공하는 것이다.오늘날 실제로 불확실성은 확률론적 예측의 형태 또는 전통적인 포인트 예측과 함께 제공되는 위험 지수로 표현된다.예측 불확실성을 고려할 때 풍력 관리 및 거래와 관련된 일부 의사결정이 더 최적인 것으로 나타났다.거래 애플리케이션의 예로서, 예측 불확실성의 신뢰할 수 있는 추정을 통해 풍력 발전 생산자는 고급 지점 예측 방법을 단독으로 사용하는 것에 비해 수입을 크게 늘릴 수 있는 것으로 나타났다.이러한 유형의 다른 연구는 예비 ^[11]요건의 최적 동적 정량화, 풍력 또는 다면적 다단계 규제를 포함한 결합 시스템의 최적 작동을 다룬다.예측 불확실성과 관련 주제에 대한 더 많은 연구 노력이 기대된다.

코넬 대학의 지속 가능한 미래를 위한 앳킨슨 센터의 지원을 받는 대학, 산업 및 정부 연구자들의 연합 보고서에 따르면, 아직 답하지 못한 많은 질문들이 있다.다음과 같은 것이 있습니다.

• 다중 웨이크가 있는 풍력 발전소는 어떻게 대기 경계층과 상호작용하여 생산할 수 있는 순 전력을 결정합니까?
• 불규칙한 지형, 육지 또는 해수면의 거칠기, 경계층 및 터빈 웨이크업 위의 난류가 하류 풍력 터빈 블레이드의 불안정한 부하에 어떻게 영향을 미치는가?
• 일반적인 일일 사이클 전체의 성능 및 부하 특성에 대한 대기 안정성(잠식, 중립 또는 안정적 계층화)의 영향은 무엇인가?
• 운동 에너지 포획을 극대화하고 비정상 부하를 ^[10]최소화할 수 있도록 배열에서 풍력 터빈의 최적 배치는 무엇입니까?

이 보고서는 또한 이 필요한 ^[10]연구를 지원하기 위해 사용할 수 있는 도구도 제공한다.

정확성.

풍력 출력과 예측 사이의 상관관계는 비교적 높을 수 있으며, 독일에서 2년 ^[12]동안 평균 미수정 오류는 8.8%이다.

「 」를 참조해 주세요.

• 에너지 예측
• Global Energy Forecasting Competition은 풍력 예측 트랙을 가지고 있습니다.

메모들

레퍼런스

• E.ON Netz.바람 보고서 2004, 바람 보고서 2005
• R. 도허티와 M.오말리.풍력 용량이 많이 설치된 시스템의 예비 수요를 정량화하는 새로운 접근법.전원 시스템의 IEEE 트랜잭션 20(2), 페이지 587-595, 2005
• 기벨 G., 브라운워드 R., 카리노타키스 G., 덴하르트 M., 드락셀 C.풍력 발전의 단기 예측에 관한 최첨단 문헌 개요, 제2판^{[permanent dead link]}.아네모스의 프로젝트 보고서입니다.SafeWind 프로젝트도 있어요 110pp.덴마크 로스킬레 리쇠, 2011년
• M. 랭과 U. 포켄단기 풍력 예측에 대한 물리적 접근법, Springer, ISBN 3-540-2562-8, 2005
• L. 랜드버그, G. 기벨, H.Aa닐슨, T.S. 닐슨, H. 매드슨단기 예측 – 개요, 풍력 에너지 6(3), 273–280, 2003
• H. 매드슨, P. 핀슨, H.AaNielsen, T.S. Nielsen, G. Kariniotakis.단기 풍력 예측 모델의 성능 평가 표준화, 풍력 공학 29(6), 페이지 475-489, 2005
• P. 핀슨, C.쉐발리에와 G.카리노타키스.풍력 발전의 단기 확률론적 예측에 의한 거래 풍력 발전, 전력 시스템의 IEEE 거래 22(3), 페이지 1148–1156, 2007
• P. 핀슨, S. 로자노, I. 마르티, G. 카리노타키스, G.기벨.ViLab: 풍력 발전 예측에 대한 공동 연구를 위한 가상 실험실, 풍력 공학 31(2), 페이지 117–121, 2007
• P. 핀슨, H.Aa.닐슨, J.K. 뮐러, H.매드슨, G.카리노타키스풍력의 비모수 확률론적 예측: 필수 특성 및 평가, 풍력 에너지, 2007년 출판
• Shobana Devi, A.; Maragatham, G.; Boopathi, K.; Lavanya, M. C.; Saranya, R. (2021). "Long-Term Wind Speed Forecasting—A Review". Artificial Intelligence Techniques for Advanced Computing Applications. Lecture Notes in Networks and Systems. Vol. 130. pp. 79–99. doi:10.1007/978-981-15-5329-5_9. ISBN 978-981-15-5328-8. S2CID 225028045.
• Haupt, Sue Ellen; Mahoney, William P. (2015). "Taming wind power with better forecasts". IEEE Spectrum. 52 (11): 47–52. doi:10.1109/MSPEC.2015.7335902. S2CID 2408824.
• Roungkvist, Jannik Schütz; Enevoldsen, Peter (2020). "Timescale classification in wind forecasting: A review of the state‐of‐the‐art". Journal of Forecasting. 39 (5): 757–768. doi:10.1002/for.2657. S2CID 213701146.
• Hanifi, Shahram; Liu, Xiaolei; Lin, Zi; Lotfian, Saeid (2020). "A Critical Review of Wind Power Forecasting Methods—Past, Present and Future". Energies. 13 (15): 3764. doi:10.3390/en13153764.

외부 링크

• ECMWF에서의 HiRLAM 문서