TELKOM NIKA Indonesia n  Journal of  Electrical En gineering   Vol. 15, No. 1, July 2015, p p . 20 ~ 25   DOI: 10.115 9 1 /telkomni ka. v 15i1.807 0        20     Re cei v ed Ma rch 4, 2 015;  Re vised  Ma y 13, 2015; Accepted Ma y 28 , 2015   NARX Based Short Term Wind Power Forecasting  Model      M. Nandan a  J y othi*, V. Dinakar, N. S S Rav i  Teja, K. Nanda Kis h ore   Dep a rtment of Electrical  and  Electron ics En gin eeri ng, K L Univers i t y , An d h ra Prad esh, Indi a-52 25 02   *Corres p o ndi n g  author, e-ma i l : tj y o th i@kl uni versit y . i n       A b st r a ct  Now adays, w i th the grow in g nee ds  of the consu m ers ther e is a hu ge d e man d  for the  electri c   pow er but the f uel res e rves ar e also  dep leti n g  at t he sa me  pace. So, this  has creat ed th e nee d to de pe nd   up on the re ne w able en ergy r e sourc e s to meet the req u ire d  pow er de ma nd.  Since the  pow er gen erat e d   throug h ren e w abl e reso urces  is eco frien d ly  in natur e an d distrib u ted, this  is  an ad ded  a d vanta ge. Of all   the ren e w able  energy r e sou r ces solar  and  w i nd pla ys th e most crucia l  part in the p o w e r gen erati o n   beca u se  of the i r w i de spr ead  avail a b ility. But  the w i nd  ener gy is vo latil e  a nd i n ter m ittent  by natur e, du e  to   this interco n n e c ting the p o w e r gener ated to  grid b e co mes  a hectic task. So in this p a per a w i nd p o w er  forecastin g mo del w i th the he l p  of artificial n e u ral  n e tw orks (ANN) is dev elo ped so th at the w i nd pow er can   be forec a sted  w e ll in  pro g res s , w h ich hel ps  in  ma inta i n i n g   and op eratin g   grid interco n n e ction an d  als o   sched uli ng of u n its. T he dev el ope d mod e l is  base d  on th e n on-li ne ar auto r egress i ve w i th exog en ous i n p u t   (narx) too l  w h i c h trains th e A NN for the ti me seri es . T he i nput p a ra mete rs taken i n to c onsi derati on  ar e   w i nd sp ee d, te mp eratur e, pr e ssure, a i r  dens i t y and  th e  o u tp ut par a m eter  is  ge ner ated  po w e r. T he re quir e d   data is col l ect ed fro m  the E nergy  D epart m ent of KLUn iv ersity, Andhr a  Prades h w h ich  consists of 720   hours  d a ta fro m  t hat 6 7 2  h o u rs d a ta  is us e d  for tra i ni ng  a nd  48  ho urs  d a ta is  us ed f o r  pre d ictio n . Me an   squar e error a nd root  mea n  s quar e error are  ca lcul ated fro m  the pr edicte d  and kn ow n results.     Ke y w ords :  AN N, narx, netc, hybrid  me th od, w i nd pow er forecastin g     Copy right  ©  2015 In stitu t e o f  Ad van ced  En g i n eerin g and  Scien ce. All  rig h t s reser ve d .       1. Introduc tion   In the pre s e n t  day scena ri o the ne ed fo r ele c tri c al p o we r is  growi ng in a n  exp onential  manne r. Th e  fuel re se rves  for the el ect r i c al  p o wer  ge neratio n thro ugh  conve n tional m e thod s are   depletin g at a very faster rate and a r e cau s in g se vere ha rmful  effect on the environ me nt.  Acco rdi ng to the Global Wind Energy O u tlook  20 14  by Global Wi nd Ener gy Coun cil (G WEC)  power secto r  is the sole e m itter of abo ut 40%  of the ca rbon di o x ide and 25 % of all the  gree n  hou se ga se s.   The b e tter  solution that  a ddre s se s mo st of  the p r o b lems that a r ise s   be cau s e of the  fossil fu els is  the usage  of  rene wa ble e n e rgy. Am on g  all the rene wable e nergie s  wind  ene rgy  is   the mo st p r o m ising  an d  cheap er to  op erate.  GWE C  in its re ce nt  publi c ation  st ated that th e  wind  energy co uld  rea c h 2 000 GW by 2 0 3 0 . But  the major  hind ra nce fo r the  expan sion a n d   integratio n of  the win d  po wer to the g r i d  is the   high volatile  and  i n termittent  n a ture of  the wind   power. Be ca use  of the s e   nature s  of  wi nd p o wer it i s  very diffic u lt to inte gr a t e to  th e g r id  an d   sched ule th e  po we r. To   overcome  th e state d   pr o b lems  wind   power fore ca sting i s  the  very  helpful.  Wind  po wer forecasting  mod e l  help s  the  po wer sy stem  o perato r s in  p o we r  sched ul ing,  disp atch a nd  maintainin g the re se rve ca pacitie s.   Mostly emplo y ed method s for wind p o w er fo re ca sting are Pe rsistence   i s  empl oyed by  makin g  an a s sumption th at the wind speed an d wi nd  power at  a certai n time in future wi ll be   s a me as  it is   when the forec a s t  is made  [1]. Let  the  wi nd p o wer  and  win d   spe ed  at t are P(t) a n d   v(t), then the  wind  power  and  wind  sp eed at t +  ∆ t  can  be form ulated a s  [2]. This m e thod  is  more  accu rat e  than oth e r forecastin g  method s in   ca se of ultra - sh ort-t e rm f o re ca sting. T h e   accuracy of t h is method  will decreas e  rapidly with the increase  of ti me-scal e  of  forecasting. [3].  Phys ic al   met hod  uses th e la ws on  whi c h th e at mosp he ric b ehavior de p end s u pon,  for  estimating th e wind flo w   arou nd the  wind turbi n e s   and the  wind  powe r   corre s po ndin g  to the  wind flo w  obt ained by the  estimation,  can be  kno w n  by the turbine  cha r acte ri stics [4].   Statis tic a l   method  uses  a mo del  whi c h give s a  rela tion bet wee n   meteorologi cal pa ram e ters and  the  po wer   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     NARX Based  Short Term  Wind Po we r Fore ca sting  Model (M. Na ndan a Jyothi)  21 gene rated. T h is mod e l is  develop ed by studying t he  histori c al d a ta. From this  model wi nd p o we r  can b e  pre d icted [4].    Hy brid   method is t he com b inati on of physi cal  and statisti ca l methods.    The p r e d icati on  carried  ou t in this  pap e r  is  by u s in g  the hybri d  m e thod. Statisti cal  data  is coll ecte d from the Energy D epa rtme nt of KL University, Andh ra Prade sh  which  con s i s ts of  720 ho urs d a ta from that  672 ho urs d a ta is u s ed f o r trai ning a nd 48 h o u r s  data is u s e d  for  predi ction a n d  also the p h ysical laws are tak en i n to accou n t for the cal c u l ation of po wer  gene ration. T he develo ped  model is  ba sed o n  t he n on-lin ea r aut o reg r e ssive  with exoge no us  input (na r x) tool whi c h tra i ns the ANN for t he time serie s . The  input parame t ers ta ken int o   con s id eratio n  are wi nd  sp eed, tempe r a t ure, pre s su re, air den sity and the out put paramete r  is  gene rated  p o we r. Mean  squ a re  error and root m ean squa re error  a r e cal c ulate d   from   the  predi cted a n d  kno w n re sult s.        2. Res earc h   Method   2.1. Calculati ons from th e  Data   The  wind  po wer ge nerate d  by the tu rbi nes  dep end s upon  the fa ctors li ke  win d  spe ed,  ambient tem peratu r e,  win d  pre s su re,  air de ns ity. Among all th e facto r s  win d  sp eed  and  air  den sity dominates the p o w er g ene rate d.  Wind p o wer g enerated is  known by:                                                             (1)    Whe r e P: Wi nd po wer g e n e rated                   ρ : Air  den sity at the given temperature                A: Area swept by the turbine bl ad es               V :  Wind s p eed    Wind p o wer  gene rated i s   highly affecte d  by  the air d ensity and th e wind  spe e d ,  as the  area  swept b y  the turbines blade s rem a i n  con s tant for a taken turbine [5].  The data i s  collecte d  from  Energy Depa rtm ent of K L University, vadde swaram  area fo r  a time  spa n  of on e mo n t h whi c h  co mpri se s of   wind  speed,  ambie n t te mperature,  a nd ai r   pre s sure. Th e air d e n s ity in the co nsi dere d  area i s  not kno w n.  For the d e n s ity cal c ulati ons  vapour p r e ssure is  req u ire d  according t o  the formula  [5].     ∗  . ∗ .                                             (2)    Whe r e  ρ : Air den sity at the given temperature                D: Air  den sity at absolute temp erature                T:  Giv en temperature               B :  Barome tr ic  ( a tmos p h e r ic )  pr ess u re               e: Vapour p r e s sure  of the air at the given temp eratu r e      All the data required for th e density cal c ulation  is pre s ent exce pt t he vapou r pressure. In   a clo s ed  syst em the pressure exe r ted  by a v apour  in thermo dyn a mic e quilib ri um at a give n   temperature  i s  the  vapo ur  pre s sure. Va pour p r e s sure is calculate d  u s ing  the  Clausi s -cla peu ron  relation i.e.     ln                                               (3)    Whe r e P 1 , P 2 : The vapou r pre s sures at tempe r atures  T1, T2 re spe c tively                  H va p : Enthalpy of vapou rization  of liquid                R: Real gas   c o ns tant (8.314J )               T 1 : Temperature at  whi c h the vap our p r e s sure i s  kn own               T 2 : Temperature at  whi c h the vap our p r e s sure  to be cal c ulat ed     Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 15, No. 1, July 201 5 :  20 – 25  22 Take  T1  and  P1 at STP condition s a n d  P2 is th e va pour pressu re to be  cal c u l ated at   whi c h the  te mperature  is T2. By this  formula  vapo ur P2 i.e, ‘ e ’  in the  den s i t y calculation  is  obtaine d. Air density is t hen calculat ed by t he st ated formul a .  The data required for t h e   cal c ulatio n of  power g e n r a t ion is o b tain ed an d  the p o we r that  ca n be g e ne rat ed by u s ing  all  these p a ra me ters i s  cal c ula t ed by ignorin g the operatio nal losee s  of turbine.           2.2. Artificial  Neural Net w ork (ANN)  Artificial ne u r al net wo rks are th e ne ural n e two r ks de rived from the in spi r ation of   biologi cal ne ural net works (animal cent ral nervo us   system). The s e artificial ne ural net w orks are  use d  to ta ke  logical de ci si ons  ba sed  o n  the in puts.  ANN  ca n de a l  with n on-li n e ar  and  co m p lex  probl em s in  terms of cl assificatio n  o r  fore ca sting  by extractin g  the dep en den ce bet w e en  variable s  thro ugh the traini ng pro c e s s. So the ANN based metho d  is an app ro priate metho d  to   apply to the probl em of forecastin g win d  power be ca use it is di re ctly proportio n a l to wind sp eed   whi c h i s  hig h ly intermitte nt in nature. Among  the  available m e thod s u s ing  artificial n e u ra l   netwo rks the  NARX, a dyn a mic recu rren t method, is u s ed to solve the time se rie s  pro b lem.     2.2.1. ANN T r aining  One  of the key element s  of neura l  net works i s  their ability to  learn.  A neural  net work is a  compl e x ada ptive system,  which mea n s  it can  cha n ge its internal  stru cture  ba sed o n  the in puts  and targets.  These ANNs need to b e  trained fo r doi n g  a pa rticul ar  task. Th ere a r e three type s of  training p a rad i gms to train t he artifici al n eural n e two r k and are a s  fo llows:  a) Su perv is ed training:  It   is th e  pro c e s s of  provi d ing th e n e t w ork with  a  seri es o f   sampl e  in put s a nd  com p a r ing th e o u tp ut with  the  e x pected  re sp onse. The  training  co ntin ues  until the network is a b le to provide th e expec te d resp on se. Th e prop osed  work is  sup e r vised  training  with back propa ga tion techni qu e.   b) Unsu perv ised  tr aining :  In thi s  m e thod  of traini n g , the in put  vector  and  th e targ et  output is  not  kno w n. Th e n e twork m a y modify in su ch a way that the mo st simil a r inp u t vecto r  i s   assign ed to the sam e  outp u t unit.  c)   Rein for c e m ent trainin g :  It is the proce s s of train i ng th e netwo r k in the p r e s ence of a   teach e r  but i n  the ab se nce of targ et vector.  T he te ach e r  gives  only the an swer whethe r  it is  cor r e c t (1 ) or  wro ng ( 0 ).     2.2.2. Non Linear Auto  Regres s iv e  w i th Exogen o u s  Input (NARX)  The nonli nea r autoregressive network  with  exogen o u s inp u ts (NARX) is a re curre n t  dynamic network, with  feed back con n e c tions en clos i n g  several layers of the n e twork. T he  NARX   model is b a sed on the line a r ARX mod e l , which i s  co mmonly used  in time-se r ie s modeli ng.   The definin g equatio n for the NARX mo del is:       1 ,  2 ,. ...,  ,  1 ,  2 ,....,       (4)           a) Series par a llel architec ture   Used  whe n  the outp u t of  the  NA RX n e twork i s   co nsid ere d  to  be an  estim a te of the  output of  so me no nlinea r dynami c  sy stem. The  o u tput is fe d  back to th e i nput of the f eed  forwa r d n e u r al netwo rk as part of the standard NA RX architectu re. Becau s e t he true  outpu t  is  available  du ring the t r aini n g  of the  net work, you   co uld  cre a te a  seri es-p arall e l archite c ture , in  whi c h the true output is used in stea d of feeding  back the estimated out put. This ha s two  advantag es  whi c h a r e th e first is that  the input  to  the feed forward n e two r k i s  mo re a c curate.  The seco nd i s  that the re sulting network ha s a pu rel y  feed forwa r d architectu re , and static b a ck  prop agatio n can be u s ed fo r trainin g .         Figure 1. Seri es Parallel Archite c ture   Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     NARX Based  Short Term  Wind Po we r Fore ca sting  Model (M. Na ndan a Jyothi)  23 b) Parallel architecture  Later thi s  archite c ture i s   conve r ted int o   parallel archite c ture fo r the predi c ti on. The  predi ction  of  the next valu e dep end s o n  the inp u ts  and p r eviou s  outputs to the net work.  The   depe nden ce  on the p r evio us outp u t ca n  be adju s ted  by using  dela ys, input dela y s and fee d b a ck  delays.           Figure 2. Parl lel Archite c ture      3.  Resul t s and  Error Analy s is  3.1.  Performance o f  the  ANN  The coll ecte d  data is given as input s whi c h are temperature s , pre s sure, air density,  spe ed a nd  calcul ated p o w er ge neration i s  given  a s  o u tput to t h e  NARX too l  box for trai ning.  After training,  the neural n e twork is rea d y for the pr e d iction. The l a st 2 days da ta is given to  the   neural n e two r k  and th e p r edicte d  outp u t  is obtai ned.  The  pre d icte d output i s   compa r ed to  the  cal c ulate d  po wer a nd the  perfo rman ce  is monito r ed  by calculating  the erro rs by  various m e a n s  of erro r calcul ations.           Figure 3. Plot betwee n  temperatu r e s , pressu re, air de nsity, spee d vs time (ho u rs)      a) Mea n  Erro r (ME):   It is the ba sic type  of erro r cal c u l ation.  It is th e averag e of the  er rors .     ∑                                        (5)    b) Mean Squ a re Error (M SE):  It is one of the basi c  types of error  cal c ulatio n. It  is the  averag e of the squ a re s of the errors.   Evaluation Warning : The document was created with Spire.PDF for Python.
                             ISSN: 23 02-4 046                     TELKOM NI KA  Vol. 15, No. 1, July 201 5 :  20 – 25  24  ∑                                  (6)    c) Root M e an Square  Error (RMS E):  RMSE is the sta n d a rd d e viatio n of the   differen c e s  b e twee n predi cted valu es a nd a c tual va l ues. It is the  squ a re  ro ot o f  the averag e  of  squ a re s of the errors.      ∑                              (7)    Whe r e N:  No.  of sample s                  T: Ac t ual Output                  P:  Predic t ed Output     Predi ction is  carrie d out by varying the del ays of the input and  also the nu m ber of  neuron s in  th e hid den  lay e r. Th e e r rors at  differe nt  delays an d di fferent n u mb er  of ne uro n s in  the hidde n la yer are       Table 1. The  Perform a n c e  of the predi cted ANN m o d e l  ANN DELA Y  ME  MSE  RMSE  4-3-1   4-3-1   4-3-1   4-3-1   2  4  6  8  0.17734   0.54563   0.323178   0.0919   4.942264   23.30557   8.445927   4.925418   1.771711   4.339749   2.561335   1.362869    4-5-1   4-5-1   4-5-1   4-5-1   2  4  6  8  0.29408   0.03643   0.03457   0.16524   11.84562   4.728486   4.2436   5.371358   2.808699   1.436289   1.7854   1.867995       3.2. Perform a nce Plots o f  the  ANN  The traine d n eural n e two r k is employed  for the predi ct ion of the power g ene rate d for the   last 48  days  by giving the  input pa ram e ters  by  varyin g the inp u t time delay s an d also chan ging  the numbe r  of neurons i n  the hidde n  layer. In  ca se of 3 ne urons in the h i dden laye r the  minimum e rro r is attaine d  whe n  the time delay given  is 8 and in  case of 5 n eurons in the hi d den   layer the mini mum error a r e attained wh en  the delay  given is 6 are  sho w n bel ow.          Figure 4. The  ANN predi cted output  plot  when 3 hi dd en layer ne urons a nd time delay of 8  Evaluation Warning : The document was created with Spire.PDF for Python.
TELKOM NIKA   ISSN:  2302-4 046     NARX Based  Short Term  Wind Po we r Fore ca sting  Model (M. Na ndan a Jyothi)  25     Figure 5. The  ANN predi cted output  plot  when 5 hi dd en layer ne urons  with time delay of 6      4. Conclu sion   To ad dre s s th is p r obl em a  wind  po wer fore ca sting m odel  with the  help of  artifici al neu ra l   netwo rks (ANN) is develo p ed  so th at th e wi nd  po wer ca n b e  fo re casted  well in   advan ce,  whi c h  help s  in  main taining  grid  in terco nne ction  and  al so  sch edulin g of u n i t s. The  devel oped  mod e l i s   based on the  non-lin ea r a u to reg r e ssiv e  with exoge nou s input (n arx) tool which train s  the ANN  for the time  seri es.  Wind  powe r  g ene ration s  de pe nds on  the para m eters  li ke wind spe ed,  temperature,  pre s sure, air  den sity. So these pa ram e ters  are  give n as input to  the ANN mo del  develop ed  an d after trai nin g  of th e m o d e l wi nd  po we r i s  p r e d icte d .  Predi ction  i s   ca rrie d   out  b y   varying the n u mbe r  of neu ron s  in the hi dden laye r  an d also the d e l a y given to the netwo rk. F r o m   the results, it came to kno w  that if the  delay  is incre a se d the erro r is going to  be red u ced a n d   also if the n u mbe r  of hid den laye r ne uron s in crea se s the com putational  p o w er  of the m odel  increa se s whi c h al so re du ces the e rro rs i n  the predi cte d  output.      Ackn o w l e dg ements   Authors thank to Mr. R. B.  R. Prakash, EEE Departm ent, KL  University for providing the  wind  data  u s ed fo r the  m odelin g of A N N mod e l a n d  al so th e m anag ement  o f  KLUnive r sit y  for   their su ppo rt for this  work.       Referen ces   [1]  Z hao  X, W a ng  SX,  Li T .  Revi e w  of  eva l uati on crit eria  an d  main  meth ods  of  w i nd  po w e r  forecasti n g .   Energy Proc ed ia . 201 1; 12: 7 61-7 69.   [2]  W en-Yea u  Ch ang.  Short-T e rm W i nd Po w e r F o recasti ng Usin g the  Enhanc ed P a rticle S w ar m   Optimizatio n  Based H y b r id M e thod.  En ergi e s . 2013; 6: 487 9-48 96.   [3]  Catal ão JPS,  Osório GJ. Pousi nho  HMI.  Short-T e rm  W i nd Pow e r  F o recastin g U s ing a  Hybri d   Evoluti onary  In tellig ent A ppr o a ch . In Pr oce e d in gs of th e  1 6 th Intern atio n a l C onfer enc e  on Inte lli ge nt  S y stem Ap plic ation to Po w e r  S y stems (I SAP ). Hersoniss os, Greece. 201 1: 1-5.   [4]  Pan Z hao, Jia ngfen g W ang,  Junron g Xia,  Ying xi n Shen g, Jie Yue. Pe rformanc e ev aluti on an d   accurac y  e nha nceme n t of a  da y-a hea d  w i n d  po w e r forec a sting i n  chin a .   Renew abl e Energy.  2 012;  43: 234- 24 1.  [5]  M Carol i n Ma b e l, E F e rna nde z. Anal ysis  of w i nd  po w e r g e nerati on a nd  p r edicti on us ing  ANN: A cas e   study .   R enew a b le En ergy . 20 08 ;  3 3 : 986- 99 2.   Evaluation Warning : The document was created with Spire.PDF for Python.