Ансамблевая модель для прогнозирования выработки ветровых электростанций

   Применение возобновляемых источников энергии является перспективным путем снижения вредных выбросов в процессе производства энергии и решения проблемы ухудшения экологической ситуации. Несмотря на то, что возобновляемая энергия считается чистой энергией, которую также называют «зеленой» энергией, вопрос ее использования в энергосистеме вызывает определенные трудности. Эффективное использование возобновляемых источников энергии требует актуальной информации о первичных энергоносителях, что особенно важно при крупномасштабной интеграции возобновляемых источников в систему. Таким образом, для обеспечения нормальных режимов работы энергосистемы необходимо прогнозировать выработку возобновляемых источников с допустимой погрешностью.

   ЦЕЛЬ. Прогнозирование суточного графика выработки ветровых электростанций.

   МЕТОДЫ. В работе использовались ансамблевые алгоритмы, основанные на деревьях решений и являющиеся одним из подходов машинного обучения. Программная реализация выполнена с помощью языка программирования Python. В качестве исходных данных использованы данные о скорости ветра и выработке определенных электростанций за период 2019-2021 гг.

   РЕЗУЛЬТАТЫ. С помощью предложенной методики был составлен прогноз суточных графиков выработки трех ветровых электростанций с погрешностью от 2,4 до 3,5 МВт или от 5,0 до 7,0 % установленной мощности соответствующих ветровых электростанций. Нормализованная средняя ошибка по модулю в процентах составила от 12,3 до 13,3 %.

   ЗАКЛЮЧЕНИЕ. Ансамблевые методы машинного обучения позволяют обнаруживать нелинейные и нестационарные зависимости во временных рядах, а также могут быть реализованы в задаче прогнозирования суточного графика выработки ветроустановок. Повышение точности прогнозирования выработки ветроустановок имеет высокую значимость для эффективного функционирования и планирования режимов энергосистемы.

1. Olaofe Z. O. A 5-day wind speed and power forecasts using a layer recurrent neural network (LRNN) // Sustainable Energy Technologies and Assessments. 2014. Vol. 6. P. 1-24. doi: 10.1016/j.seta.2013.12.001

2. Santos M., González M. Factors that influence the performance of wind farms // Renewable Energy. 2019. Vol. 135. P. 643-651. doi: 10.1016/j.renene.2018.12.033

3. Ouyang T., Kusiak A., He Y. Predictive model of yaw error in a wind turbine // Energy. 2017. Vol. 123. P. 119-130. doi: 10.1016/j.energy.2017.01.150

4. Matrenin P. V., Osgonbaatar T., Sergeev N. N. Overview of Renewable Energy Sources in Mongolia // 2022 IEEE International Multi-Conference on Engineering, Computer and Information Sciences (SIBIRCON). IEEE. 2022. P. 700-703. doi: 10.1109/SIBIRCON56155.2022.10016986

5. Zhao L, Muhammad S.N., Hafiz M.J., Ahmed N.A. A review on proliferation of artificial intelligence in wind energy forecasting and instrumentation management // Environmental Science and Pollution Research. 2022. №. 29. Vol. 29. P. 43690-43709. doi: 10.1007/s11356-022-19902-8

6. Manusov V., Matrenin P., Nazarov M., Beryozkina S. Short-Term Prediction of the Wind Speed Based on a Learning Process Control Algorithm in Isolated Power Systems // Sustainability. 2023. №. 2. Vol. 15. P. 1730. doi: 10.3390/su15021730

7. Tiwari S. Wind speed forecasting methods for wind energy generation // 2022 1^st International Conference on Informatics (ICI). IEEE, 2022. P. 143-147. doi: 10.1109/ICI53355.2022.9786880

8. Weather forecasting for renewable energy system: a review / Meenal R. et al. // Archives of Computational Methods in Engineering. 2022. №. 5. Vol. 29. P. 2875-2891. doi: 10.1007/s11831-021-09695-3

9. Li X., Sabas J. F., Mendéz V. D. Wind energy forecasting using multiple ARIMA models // 2022 IEEE 18^th International Conference on Automation Science and Engineering (CASE). IEEE, 2022. P. 2034-2039. doi: 10.1109/CASE49997.2022.9926516

10. A survey of artificial neural network in wind energy systems / Marugán A. P. et al // Applied energy. 2018. Vol. 228. P. 1822-1836. doi: 10.1016/j.apenergy.2018.07.084

11. Zhang Y., Li R. Short term wind energy prediction model based on data decomposition and optimized LSSVM // Sustainable Energy Technologies and Assessments. 2022. Vol. 52. P. 102025. doi: 10.1016/j.seta.2022.102025

12. Regression model for predicting the speed of wind flows for energy needs based on fuzzy logic /Khasanzoda N. et al // Renewable Energy. 2022. Vol. 191. P. 723-731. doi: 10.1016/j.renene.2022.04.017

13. A new wind power prediction method based on chaotic theory and Bernstein Neural Network / Wang C. и др.// Energy. 2016. Vol. 117. P. 259-271. doi: 10.1016/j.energy.2016.10.041

14. Buhan S., Özkazanç Y., Çadırcı I. Wind pattern recognition and reference wind mast data correlations with NWP for improved wind-electric power forecasts // IEEE Transactions on Industrial Informatics. 2016. №. 3. Vol. 12. P. 991-1004. doi: 10.1109/TII.2016.2543004

15. Negative correlation learning-based RELM ensemble model integrated with OVMD for multi-step ahead wind speed forecasting / Peng T. et al // Renewable Energy. 2020. Vol. 156. P. 804-819. doi: 10.1016/j.renene.2020.03.168

16. Smart wind speed forecasting approach using various boosting algorithms, big multi-step forecasting strategy / Li Y. et al // Renewable energy. 2019. Мўд. 135. З. 540-553. doi: 10.1016/j.renene.2018.12.035

17. Wang L., Guo Y., Li X. Wind speed prediction using measurements from neighboring locations and combining the extreme learning machine and the AdaBoost algorithm // Energy Reports. 2022. Vol. 8. P. 1508-1518. doi: 10.1016/j.egyr.2021.12.062

18. Dosdoğru A. T., İpek A. B. Hybrid boosting algorithms and artificial neural network for wind speed prediction // International Journal of Hydrogen Energy. 2022. №. 3. Vol. 47. P. 1449-1460. doi: 10.1016/j.ijepes.2021.107365

19. A multi-level model for hybrid short term wind forecasting based on SVM, wavelet transform and feature selection / Abedinia O. et al // 2022 IEEE International Conference on Environment and Electrical Engineering and 2022 IEEE Industrial and Commercial Power Systems Europe (EEEIC/I&CPS Europe). IEEE, 2022. P. 1-6. doi: 10.1109/EEEIC/ICPSEurope54979.2022.9854519

20. Lahouar A., Slama J. B. H. Hour-ahead wind power forecast based on random forests // Renewable energy. 2017. Vol. 109. P. 529-541. doi: 10.1016/j.renene.2017.03.064

21. Breiman L. Random forests // Machine learning. 2001. Vol. 45. P. 5-32. doi: 10.1023/a:1010933404324

22. Jorgensen K. L., Shaker H. R. Wind power forecasting using machine learning: State of the art, trends and challenges // 2020 IEEE 8th International Conference on Smart Energy Grid Engineering (SEGE). IEEE, 2020. P. 44-50. doi: 10.1109/SEGE49949.2020.9181870

23. Freund Y., Schapire R. E. A decision-theoretic generalization of on-line learning and an application to boosting // Journal of computer and system sciences. 1997. №. 1. Vol. 55. P. 119-139. doi: 10.1006/jcss.1997.1504

24. Phan Q. T., Wu Y. K., Phan Q. D. A hybrid wind power forecasting model with XGBoost, data preprocessing considering different NWPs // Applied Sciences. 2021. №. 3. Vol. 11. P. 1100. doi: 10.3390/app11031100

25. Ouyang T., Kusiak A., He Y. Modeling wind-turbine power curve: A data partitioning and mining approach // Renewable Energy. 2017. Vol. 102. P. 1-8. doi: 10.1016/j.renene.2016.10.032