СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

В наши дни потребление энергии в мире растет и становится актуально решение задачи по замене традиционных источников на альтернативные. Решение данной задачи невозможно без предварительного анализа данных и дальнейшего прогнозирования выработки энергии альтернативными источниками. Однако использование альтернативных источников энергии в условиях оптового рынка электроэнергии и мощности, действующего в настоящее время на территории Российской Федерации, невозможно без применения краткосрочных прогностических моделей «на сутки вперед». В настоящей статье авторами проведен краткий анализ существующих методов краткосрочного прогнозирования, которые применяются при построении прогнозов выработки электроэнергии солнечными электростанциями. В настоящее время существует уже довольно большое количество прогностических моделей, построенных в рамках каждого из выделенных методов краткосрочного прогнозирования, и все они отличаются своими особенностями. Поэтому с целью выделения наиболее перспективного для дальнейшего использования и развития метода краткосрочного прогнозирования авторами была использована ранее разработанная классификация. В ходе исследования была проведена первоначальная обработка исходных данных, полученных от существующих солнечных электростанций при помощи спектрального анализа. Далее для построения прогностической модели был проведен корреляционный анализ исходных данных, который показал отсутствие линейной зависимости между компонентами в ретроспективных данных. Авторами, основываясь на показаниях корреляционного анализа, было принято решение о подборе параметров для целей построения прогностической модели эмпирическим путем. В результате проведенного исследования была предложена математическая модель, основанная на искусственной нейронной сети, и сформирована обучающая выборка к ней. Кроме того, была определена архитектура искусственной нейронной сети, результатом работы которой является краткосрочный прогноз выработки электрической энергии в режиме «на сутки вперед» и выполнены расчеты по получению численных значений прогноза. Из результатов исследования следует, что разработанная прогностическая модель на прогнозируемом интервале имеет среднюю абсолютную ошибку примерно 13,5 МВт. Однако на некоторых интервалах пиковые расхождения могут достигать до 200 МВт. Среднеквадратическая ошибка модели равна 27,8 МВт.

1. Short-term forecast methods of electricity generation by solar power plants and its classification / D.A. Tyunkov, A.S. Gritsay, V.I. Potapov, R.N. Khamitov // Journal of Physics: Conference Series. – 2019. – Vol. 1260. – P. 052033-1–052033-6. – DOI: 10.1088/1742-6596/1260/5/052033.

2. Bacher P., Madsen H., Nielsen H.A. Online short-term solar power forecasting // Solar Energy. – 2009. – Vol. 83, N 10. – P. 1772–1783.

3. Chowdhury B.H., Rahman S. Forecasting sub-hourly solar irradiance for prediction of photovoltaic output // Proceedings of the 19th IEEE Photovoltaic Specialists Conference. – New Orleans, USA, 1987. – P. 171–176.

4. Generalized neural network methodology for short term solar power forecasting / V.P. Singh, V. Vijay, M.S. Bhatt, D.K. Chaturvedi // Proceedings of the 13th International Conference on Environment and Electrical Engineering. – Wroclaw, Poland, 2013. – DOI: 10.1109/eeeic-2.2013.6737883.

5. Ерошенко С.А., Хальясмаа А.И., Снегирев Д.А. Подходы к прогнозированию плотности потока энергии солнечного излучения для СЭС // Энергоэксперт. – 2017. – № 5. – С. 28–31.

6. Akter N., Islam M.N. Use of MM5 model for weather forecasting over Bangladesh region // BRAC University Journal. – 2007. – Vol. 4. – P. 75–79.

7. Lazic L., Pejanovic G., Zivkovic M. Wind forecasts for wind power generation using the Eta model // Renewable Energy. – 2009. – Vol. 35. – P. 1236–1243.

8. The accuracy of solar irradiance calculations used in mesoscale numerical weather prediction / R.J. Zamora, E.G. Dutton, M.  Trainer, S.A. Mckeen, J.M. Wilczak, Y.-T. Hou // Monthly Weather Review. – 2005. – Vol. 133, N 4. – P. 783–792.

9. Short-term solar power forecasting considering cloud coverage and ambient temperature variation effects / FH. Gandoman, S.A. Aleem, N. Omar, A. Ahmadi, F.Q. Alenezi // Renewable Energy. – 2018. – Vol. 123. – P. 793–805.

10. Кузнецов Н.П., Лысенко О.В. Статистический анализ энергетических показателей солнечной радиации (на примере данных Токмакской солнечной электростанции) // Проблемы региональной энергетики. – 2017. – № 2 (34). – С. 139–147.

11. Тимчук С.А., Катюха И.А. Разработка критерия качества подбора коэффициентов регрессии в задачах прогнозирования электропотребления // Восточно-европейский журнал передовых технологий. – 2014. – Т. 5, № 8 (71). – С. 16–20.

12. Прогнозирование электропотребления с учетом температуры воздуха и естественной освещенности для региональных диспетчерских управлений / И.И. Надтока, А.В. Демура, С.О. Губский, А.Я. Ваколюк, В.В. Горбачев // Вестник Самарского государственного технического университета. Серия: Технические науки. – 2012. – № 1 (33). – С. 156–161.

13. Степанов С.М., Искра Н.А. Нейросетевое прогнозирование генерации электроэнергии солнечными панелями // Доклады Белорусского государственного университета информатики и радиоэлектроники. – 2018. – № 3 (113). – С. 26–31.

14. Манусов В.З., Бирюков Е.В. Краткосрочное прогнозирование электрической нагрузки на основе нечеткой нейронной сети и ее сравнение с другими методами // Известия Томского политехнического университета. – 2006. – Т. 309, № 6. – С. 153–157.

15. Толстых М.А. Фролов А.В. Некоторые современные проблемы численного прогноза погоды // Известия РАН. Физика атмосферы и океана. – 2005. – Т. 41, № 3. – С. 315–327.

16. Грицай А.С. Гибридный метод краткосрочного прогнозирования потребления электрической энергии для энергосбытового предприятия с учетом метеофакторов: дис. … канд. техн. наук. – Омск, 2017. – 153 с.

17. Гибридный метод краткосрочного прогнозирования электропотребления в условиях оптового рынка электроэнергии / А.С. Грицай, Д.А. Тюньков, Р.Н. Хамитов, Д.Д. Дугин, Г.Э. Синицин // Электроэнергетика глазами молодежи: материалы VIII Международной научно-технической конференции. – Самара: СамГТУ, 2017. – Т. 3. – С. 163–166.

18. О методе построения обучающей выборки в задачах краткосрочного прогнозирования электропотребления с учетом критериев информативности и компактности / Р.Н. Хамитов, А.С. Грицай, Д.А. Тюньков, Д.Д. Дугин, Г.Э. Синицин // Промышленная энергетика. – 2017. – № 8. – С. 23–28.

19. Кивчун О.Р. Метод векторного рангового анализа при управлении электропотреблением объектов военной инфраструктуры // Известия Тульского государственного университета. Технические науки. – 2018. – № 11. – С. 550–560.

20. Потапов В.И., Грицай А.С., Тюньков Д.А. Спектральный анализ ретроспективных данных ООО «Омская энергосбытовая компания» об электропотреблении // Омский научный вестник. – 2016. – № 5 (149). – С. 74–76.

21. Хайкин С. Нейронные сети: пер. с англ. – М.: Вильямс, 2006. – 1104 с.

22. Горелова А.В., Любимова Т.В. Алгоритм обратного распространения ошибки // Наука и современность. – 2015. – № 38. – С. 151–156.

23. Вьюгин В.В. Математические основы теории машинного обучения и прогнозирования. – М.: МЦМНО, 2013. – 387 с.