ÉVALUATION DURABLE DES RESSOURCES ÉOLIENNES À L'AIDE DE TECHNIQUES D'ESTIMATION ADAPTATIVES DE WEIBULL DANS DES RÉGIMES DE DONNÉES PEU FRÉQUENTES
DOI :
https://doi.org/10.59277/RRST-EE.2026.2.9Mots-clés :
Exploitation des ressources éoliennes, Données manquantes sur la vitesse du vent, Modélisation de la vitesse du vent, Analyse des performancesRésumé
Des données précises sur le vent sont essentielles à la planification des énergies renouvelables. Cependant, de nombreux jeux de données météorologiques présentent des valeurs manquantes en raison de problèmes de capteurs. Cette étude explore l'influence des données manquantes sur l'estimation des paramètres de Weibull et compare quatre méthodes : la méthode empirique de Justus (EMJ), l'estimation du maximum de vraisemblance (MLE), la méthode des moments (MM) et la méthode des moindres carrés (LSM). Cinq années de données (2020-2024) provenant de 14 stations du sud de la Thaïlande ont été utilisées. Les vitesses du vent variaient de 0,35 à 2,18 m/s, avec une vitesse maximale de 32,98 m/s. Le taux de complétude des données variait de 27,61 % à 84,14 %. La précision du modèle a été évaluée à l'aide du MAPE, du RMSE, du χ² et du R². Les méthodes EMJ et MM ont donné d'excellents résultats avec des données complètes. La méthode MLE a donné les meilleurs résultats, avec un taux de complétude compris entre 50 et 80 %. La méthode LSM a affiché un R² élevé, mais a surajusté le modèle en présence de données manquantes. La méthode MM s'est avérée la plus fiable. Ces résultats permettent d'améliorer la modélisation des vents dans les zones où les données sont limitées, contribuant ainsi au développement des énergies propres dans le sud de la Thaïlande.
Références
(1) D. Kang, K. Ko, J. Huh, Comparative study of different methods for estimating Weibull parameters: a case study on Jeju Island, South Korea, Energies, 11, 2, pp. 356–356 (2018).
(2) N. Aras, U. Erisoglu, H.D. Yıldızay, Optimum method for determining Weibull distribution parameters used in wind energy estimation, Pakistan Journal of Statistics and Operations Research, 16, 4, pp. 635–648 (2020).
(3) S. Ali, S.-M. Lee, C.-M. Jang, Statistical analysis of wind characteristics using Weibull and Rayleigh distributions in Deokjeok-do Island – Incheon, South Korea, Renewable Energy, 123, pp. 652–663 (2018).
(4) T.P. Chang, Performance comparison of six numerical methods in estimating Weibull parameters for wind energy application, Applied Energy, 88, 1, pp. 272–282 (2011).
(5) F. Aristone et al., Evaluation of Weibull parameters by different methods for farms, Acta Scientiarum - Technology, 46, 1, pp. 1–10 (2024).
(6) M.F. Zambak, C.I. Cahyadi, J. Helmi, T.M. Sofie, Suwarno, Evaluation and analysis of wind speed with the Weibull and Rayleigh distribution models for energy potential using three models, International Journal of Energy Economics and Policy, 13, 2, pp. 427–432 (2023).
(7) A. Aziz, D. Tsuanyo, J. Nsouandele, I. Mamate, R. Mouangue, P. Elé Abiama, Influence of Weibull parameters on the estimation of wind energy potential, Sustainable Energy Research, 10, 1, pp. 1–18 (2023).
(8) B.A. Çakmakçı, E. Hüner, Evaluation of wind energy potential: a case study, Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 44, 1, pp. 834–852 (2020).
(9) A. Chumapan, P. Neranon, J. Taweekun, Statistical analysis of wind resource assessment for different locations in South-Western Thailand, Journal of Advanced Research in Fluid Mechanics and Thermal Sciences, 118, 2, pp. 87–100 (2024).
(10) Y.K. Chu, J.C. Ke, Computation approaches for parameter estimation of Weibull distribution, Mathematical and Computational Applications, 17, 1, pp. 39–47 (2012).
(11) S. Kang, A. Khanjari, S. You, J.H. Lee, Comparison of different statistical methods used to estimate Weibull parameters for wind speed contribution in a nearby offshore site, Republic of Korea, Energy Reports, 7, pp. 7358–7373 (2021).
(12) A. Amin, M. Mourshed, Weather and climate data for energy applications, Renewable and Sustainable Energy Reviews, 192, pp. 1–10 (2024).
(13) H. Erol, A. Arslan, Wind turbine pitch angle control with artificial neural networks, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 70, 2, pp. 235–240 (2025).
(14) C. Popa, N.-S. Popa, F. Deliu, O. Cristea, I. Ciocioi, M.-O. Popescu, Analysis of wind turbine power output via modeling, simulation, and validation, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 70, 2, pp. 175–180 (2025).
(15) S. Bellarbi, A. Boufertella, Maximum power wind extraction with feedback linearization control approach, Rev. Roum. Sci. Techn. – Électrotechn. et Énerg., 67, 3, pp. 237–240 (2022).
(16) ***Thai Meteorological Department, Automatic weather system (AWS), Thai Meteorological Department, pp. 1–10 (2025).
(17) A.S.D. Rey, I.C. Gil-García, M.S. García-Cascales, Á. Molina-García, Online wind-atlas databases and GIS tool integration for wind resource assessment: a Spanish case study, Energies, 15, 3, pp. 852–852 (2022).
(18) ***DTU-Wind-Energy, Global wind atlas, pp. 1–10 (2025).
(19) I. Kamdar, S. Ali, J. Taweekun, H.M. Ali, Wind farm site selection using WAsP tool for application in the tropical region, Sustainability, 13, 24, pp. 13718–13718 (2021).
(20) C. Chaihong, J. Taweekun, Techno-economic assessment of wind energy in urban environments: a case study in Pattaya, Thailand, Journal of Advanced Research in Fluid Mechanics and Thermal Sciences, 104, 1, pp. 169–184 (2023).
(21) L. Wang, X. Zhang, A novel method for studying the wind speed probability distribution and estimating the average wind energy density, Engineering Research Express, 6, 2, pp. 1–10 (2024).
(22) G.K. Gugliani, C. Ley, N. Nakhaei Rad, A. Bekker, Comparison of probability distributions used for harnessing the wind energy potential: a case study from India, Stochastic Environmental Research and Risk Assessment, 38, 6, pp. 2213–2230 (2024).
(23) E.Y. Kombe, J. Muguthu, Wind energy potential assessment of Great Cumbrae Island using Weibull distribution function, Original Research Article Kombe and Muguthu, 2, 2, pp. 1–8 (2019).
(24) T. Iida, Identifying causes of errors between two wave-related data using performance metrics, Applied Ocean Research, 148, pp. 1–10 (2024).
Téléchargements
Publiée
Numéro
Rubrique
Licence
(c) Copyright REVUE ROUMAINE DES SCIENCES TECHNIQUES — SÉRIE ÉLECTROTECHNIQUE ET ÉNERGÉTIQUE 2026
Ce travail est disponible sous licence Creative Commons Attribution - Pas d'Utilisation Commerciale - Pas de Modification 4.0 International.
