Прогнозирование выработки электроэнергии фотоэлектрической станции методами машинного обучения

АКТУАЛЬНОСТЬ. Сегодня степень интеграции ВИЭ в энергосистему является показателем технологического и промышленного развития государства. Возобновляемая энергетика является драйвером развития экономики, науки и образования. В России самый большой технический потенциал из возобновляемых источников энергии у Солнца (в млн. тоннах условного топлива) составляет 2,3*10³, второе место занимает энергия ветра - 2*10³. Но при использовании энергии Солнца, как и многих других возобновляемых источников энергии, возникают большие сложности с прогнозированием выработки электроэнергии из-за зависимости их от метеоусловий. Авторами статьи решается актуальная задача прогнозирования генерации энергии от солнечных электрических станций с использованием систем машинного обучения. ЦЕЛЬ. Целью данной работы является исследование производительности современных методов искусственного интеллекта для создания платформы прогнозирования вырабатываемой мощности от солнечной станции в существующую сеть. Разработать архитектуру информационно-коммуникационной системы распределительной сети и модель прогнозирования фотоэлектрической мощности электрической станции на основе методов машинного обучения. МЕТОДЫ. Одним из подходов к решению этой задачи является использование алгоритмов машинного обучения. Такие алгоритмы при правильно выбранной модели обучения способны с высокой точностью до 95% предсказывать объем генерации электроэнергии на сутки вперед РЕЗУЛЬТАТЫ. Проведено сравнение значений реальной генерации и предсказанной генерации пятью алгоритмами машинного обучения, такие как нейронные сети, линейная регрессия, дерево решений, случайный лес, адаптивный бустинг Наименьшую среднеквадратическую ошибку на проверочных данных имеет алгоритм случайного леса. Решена задача оптимизации радиальной топологии сети, которая минимизируют совокупные потери активной мощности. ЗАКЛЮЧЕНИЕ. Анализ построения рабочей модели машинного обучения, продемонстрировал, что для построения оптимальной модели, необходима только история выработки электроэнергии этой станции, сопоставленная с рассчитанными и измеренными данными погоды. Стабильность модели была проверена путем применения метода перекрестной проверки в различных условиях обучения и тестирования. Полученные результаты показали, что модель надежно работает, поскольку среднеквадратическая ошибка самой точной модели находится в районе 600кВт*ч (4 %).

1. Суржикова О.А. Проблемы и основные направления развития электроснабжения удаленных и малообеспеченных потребителей России // Векторы расчета: экономика и социум. 2012. №3 (4).

2. Суслов К.В. Развитие систем электроснабжения изолированных регионов России с использованием экспортных источников энергии // Вестник ИрГТУ. 2012. №5 (124).

3. International Energy Agency 2022 Renewables 2022 Analysys and Forecasts to 2023//Paris: International Energy Agency

4. Сокольникова Т.В., Суслов К.В., Ломбарди П. Расчет оптимальных параметров накопления для добычи энергии в изолированных энергосистемах с активными пользователями // Вестник ИрГТУ. 2015. №10 (105).

5. Иванов И.Ю., Новокрещенов В.В., Иванова В.Р. Современное состояние проблем функциональности комплексов релейной защиты и автоматики, преступлений в активно-адаптивной сети. Известия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИ. 2022;24(6):102-123.

6. Виноградов А.В., Виноградова А.В., Сейфуллин А.Ю., Букреев А.В., Большев В.Е. Принципы управления конфигурацией электрической сети и задачи по их реализации. Известия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИ. 2021;23(3):34-46.

7. Zatsarinnaya Y., Logacheva A., Gainullin R., et al. Solution for renewable future// E3S Web of Conferences. 2019. Vol. 124, p.04010.

8. Лаврик А.Ю., Жуковский Ю.Л., Лаврик А.Ю., Булдыско А.Д. Особенности выбора оптимального состава ветро-солнечной электростанции с дизельными генераторами. Известия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИ. 2020;22(1):10-17.

9. Ercan I., Ahmet O., Bihter Y., Mustafa K.K., Ahmet D.S. Shortmid-term solar power prediction by using artificial neural networks, Solar Energy. 2012. Vol. 86. № 2. p. 25–733

10. Gigoni L., Betti A., Crisostomi E., et al. Day-ahead hourly forecasting of power generation from photovoltaic plants, IEEE Trans Sustain Energy, vol. 9 (2), pp. 831- 842, 2018.

11. Khan P., Byun Y., Lee S., et al. Machine learning-based approach to predict energy consumption of renewable and nonrenewable power sources, Energies, vol. 13, no. 18, p. 4870, 2020.

12. Khalyasmaa A., Eroshenko S., Tashchilin V., et al. Industry Experience of Developing Day-Ahead Photovoltaic Plant Forecasting System Based on Machine Learning, Remote Sens., vol. 12, p.3420, 2020.

13. Рамазанова Р.И., Исаева О.В. Электроснабжение отдаленных населенных пунктов с помощью ветродизельных установок// Тинчуринские чтения - 2022 "Энергетика и цифровая трансформация": Сборник статей по материалам конференции. В 3-х томах; 2 –29 апреля 2022 года., Казан : Казанский государственный энергетический университет, 2022. С. 66 -671.

14. Eltamaly A., Ahmed M., Alotaibi M., et al. Performance of Communication Network for Monitoring Utility Scale Photovoltaic Power Plants, Energies, vol. 13, p. 5527, 2020.

15. Воркунов О.В., Ихсанова А.И., Гайнутдинова А.М. Оптимальная ориентация солнечных фотоэлектрических модулей в г. Казани// Известия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИ. 2015. №11-12. С. 26-29.

16. Eroshenko S., Khalyasmaa A., Snegirev D. Machine learning techniques for short-term solar power stations operational mode planning. E3S Web of Conferences, vol.51, p.02004, 2018.

17. Эльмохлави А.Э., Очков В.Ф., Казанджан Б.И. Оценка производительности и энергоэффективности интегрированного солнечного комбинированного цикла электростанции // Известия высших учебных заведений. ПРОБЛЕМЫ ЭНЕРГЕТИКИ. 201 . №21(1-2). С.43-54.