Wind speed forecasting is primary to the dispatching and controllability of the power grid. This paper presents an optimization technique to estimate the optimal size of wind power plants required to fulfill the varying load demand of different districts in the state of Madhya Pradesh, India. The districts were selected based on the wind Capacity Utilization Factor (CUF) and land availability. This article proposes construction of small wind power plants in each district in order to satisfy local energy needs and, if necessary, serve the neighboring districts, thus reducing the dependence on the grid. The losses caused during transmission and distribution are substantially reduced. This article highlights the issue of estimating the size of wind power plants as an objective problem of optimization. The estimate of the energy plant size is considered a multi-objective optimising issue, and three scenarios are chosen as objectives. The first case is to reduce the monthly difference between energy demand and production in every area. In the second case, the cost of each unit generated is minimised. The third case involves reducing the power supply from one district to the other's losses in transmission and distribution. This multi-objective problem is solved via the genetic algorithm. The aim is to minimise the RMS value of demand inaccuracy by considering the cost of power generated, which was reduced at least to INR 3.60. The simulation of the optimization approach suggested indicates that the algorithm's plant size closely follows the targets.

风速预测对于电网的调度和可控性至关重要。本文提出了一种优化技术，用于估计满足印度中央邦不同地区不同负载需求所需的风力发电厂的最佳规模。这些地区是根据风能利用系数 (CUF) 和土地可用性选择的。本文提出在各区建设小型风力发电厂，以满足当地能源需求，并在必要时为邻近地区服务，从而减少对电网的依赖。输配电过程中造成的损失大大减少。本文将风力发电厂规模估算问题作为一个客观的优化问题进行了强调。电厂规模的估计被认为是一个多目标优化问题，选择三个场景作为目标。第一种情况是减少每个地区的能源需求和生产之间的月差。在第二种情况下，产生的每个单位的成本被最小化。第三种情况涉及减少从一个地区到另一个地区的电力供应在传输和分配中的损失。这个多目标问题是通过遗传算法解决的。目的是通过考虑发电成本来最小化需求误差的 RMS 值，该成本至少降至 3.60 印度卢比。所建议的优化方法的模拟表明，该算法的工厂规模与目标密切相关。第一种情况是减少每个地区的能源需求和生产之间的月差。在第二种情况下，产生的每个单位的成本被最小化。第三种情况涉及减少从一个地区到另一个地区的电力供应在传输和分配中的损失。这个多目标问题是通过遗传算法解决的。目的是通过考虑发电成本来最小化需求误差的 RMS 值，该成本至少降至 3.60 印度卢比。所建议的优化方法的模拟表明，该算法的工厂规模与目标密切相关。第一种情况是减少每个地区的能源需求和生产之间的月差。在第二种情况下，产生的每个单位的成本被最小化。第三种情况涉及减少从一个地区到另一个地区的电力供应在传输和分配中的损失。这个多目标问题是通过遗传算法解决的。目的是通过考虑发电成本来最小化需求误差的 RMS 值，该成本至少降至 3.60 印度卢比。所建议的优化方法的模拟表明，该算法的工厂规模与目标密切相关。第三种情况涉及减少从一个地区到另一个地区的电力供应在传输和分配中的损失。这个多目标问题是通过遗传算法解决的。目的是通过考虑发电成本来最小化需求误差的 RMS 值，该成本至少降至 3.60 印度卢比。所建议的优化方法的模拟表明，该算法的工厂规模与目标密切相关。第三种情况涉及减少从一个地区到另一个地区的电力供应在传输和分配中的损失。这个多目标问题是通过遗传算法解决的。目的是通过考虑发电成本来最小化需求误差的 RMS 值，该成本至少降至 3.60 印度卢比。所建议的优化方法的模拟表明，该算法的工厂规模与目标密切相关。