Методология прогнозирования генерации возобновляемых источников энергии для обеспечения качества электроэнергии в сетях

Цель исследования. С увеличением доли генерации на основе солнечных станций в распределительных сетях растут требования к качеству поставляемой электроэнергии, так как нестабильность солнечной генерации непосредственно влияет на нагрузку сети и параметры напряжения электроэнергии, поставляемой потребителю.

Цель исследования — экспериментальная проверка методов прогноза выработки солнечной станции на ближайшие сутки с почасовым планированием, при котором можно связать величину ошибки прогноза с показателями качества электроэнергии по ГОСТ 32144-2013.

Методы. Для решения поставленной задачи выполнено сравнительное исследование трёх подходов: моделей ARIMA/ARIMAX, ансамбля Random Forest и гибридной схемы STL+RF. Во всех вариантах анализировалось влияние метеорологических факторов на точность прогноза солнечной генерации.

Результаты. Установлено, что включение погодных данных существенно повышает качество прогноза по сравнению с моделями, использующими только историю потребления. Лучшие результаты показала гибридная модель STL+RF с метеорологическими признаками, которая обеспечила оптимальный компромисс между точностью и стабильностью прогноза. Данная оценка показывает, что в задачах управления режимами сети применение гибридных моделей должно быть более оправданно, чем использование толькo статистических моделей.

Заключение. Предложенный подход может быть использован как основа для систем раннего предупреждения о рисках ухудшения качества электроэнергии в сетях с высокой долей возобновляемых источников энергии. Практическая ценность работы состоит в увязке результатов прогнозирования солнечной генерации с нормативными требованиями ГОСТ 32144-2013 и задачами диспетчерского управления.

1. PV Power Forecasting Based оn Data-Driven Models: A Review / S. Al-Dahidi, O. Ayadi, J. Adeeb, M. Louzazni // International Journal of Sustainable Engineering. 2021. Vol. 14,N 4. P. 1733-1755.

2. Методы краткосрочного прогнозирования выработки электрической энергии солнечными электростанциями и их классификация / Д. А. Тюньков, А. А. Сапилова, А. С. Грицай, Д. А. Алексеенко, Р. Н. Хамитов // Электротехнические системы и комплексы. 2020. № 3 (48). С. 4-10.

3. Сергеев Н. H., Матренин П. В. O630p международного опыта в прогнозировании генерации возобновляемых источников энергии с помощью методов машинного обучения // iPolytech Journal. 2023. Т. 27, № 2. С. 354—369.

4. Нильсен Э. Практический анализ временных рядов: прогнозирование со статистикой и машинное обучение: [пер. с англ.]. СПб.: Диалектика, 2021. 544 с.

5. Николаев А. А., Исмагилов Н. В. Применение нейросетевых технологий для вычисления потоков суммарной солнечной радиации // Известия высших учебных 3a- ведений. Поволжский регион. Естественные науки. 2017. Ne 3. С. 68-77.

6. Ahmad T., Zhang H. A Data-Driven Approach to Composite Building Energy Modeling with Machine Learning Algorithms // Applied Energy. 2020. Vol. 267. P. 114863.

7. Кончаков В. Ю., Панов А. I1., Юсупов P. M. Интеллектуальные методы управления энергосистемами с возобновляемыми источниками // Информационные и математические технологии в науке и управлении. 2023. № 3. С. 15-28.

8. Кузнецов А. B., Иванов С. П. Возобновляемые источники энергии в автономных системах электроснабжения: влияние на качество электроэнергии // Электроэнергетика. 2020. № 4. С. 112-120.

9. Chodakowska E., Nazarko J., Nazarko .. ARIMA Models in Solar Radiation Fоrеcasting // Energies. 2023. Vol. 16, N 13. P. 5029.

10. Breiman L. Random Forests // Machine Learning. 2001. Vol. 45, N 1. P. 5-32.

11. Лосев А. C., Массель А. Г. Прогнозирование солнечной радиации и импутация данных для цифрового двойника солнечной электростанции // Информационные и математические технологии B науке и управлении. 2022. № 1 (25). С. 91-101.

12. STL: А Seasonal-Trend Decomposition Procedure Based оп Loess / R. В. Cleveland, W. S. Cleveland, J. Е. McRae, 1. Terpenning // Journal of Official Statistics. 1990. Vol. 6,N 1. P. 3-73.

13. Hyndman R. J., Athanasopoulos G. Forecasting: Principles and Practice. 3rd ed. Melbourne: OTexts, 2021. 442 p.

14. Сокур П. B., Полякова А. С. Прогнозирование выработки солнечной электростанции на основе алгоритмов машинного обучения // Вестник Торайгыров университета. Энергетическая серия. 2022. № 1. С. 45—52.

15. Meng M., Song С. Daily Photovoltaic Power Generation Forecasting Model Based on Random Forest Algorithm for North China in Winter // Sustainability. 2020. Vol. 12, N 6. Р. 2247.

16. Mellit А., Pavan А. M., Lughi V. Deep Learning Neural Networks for Short-Term PV Output Forecasting // Energies. 2021. Vol. 14, N 1. P. 112.

17. Zamo M., Meunier P. Quantile-Based Probabilistic Forecasts of Solar Irradiance Using Quantile Regression Forests // Energies. 2016. Vol. 9, N 6. P. 494.

18. A Survey on Deep Learning Methods for Power Load and Renewable Energy Forecasting in Smart Microgrids / S. Aslam, H. Herodotou, S. M. Mohsin, N. Javaid, N. Ashraf, S. Aslam // Renewable and Sustainable Energy Reviews. 2021. Vol. 144. P. 110992.