Визначення впливу похибок прогнозування та уподобань щодо гнучкості в системах підтримки прийняття рішень для оптимального добового операційного планування просʼюмерів
DOI:
https://doi.org/10.15587/1729-4061.2025.340758Ключові слова:
система підтримки прийняття рішень, прос’юмер, фотовольтаїка, операційне планування, похибка прогнозуванняАнотація
Об'єкт дослідження – оперативне планування в системах підтримки прийняття рішень (СППР) для просʼюмерів. Розглядається проблема відсутності чіткого моделювання гнучкості поведінки та обмеженого розуміння впливу якості прогнозів на результати планування.
У роботі представлено модуль для короткострокового планування енергоспоживання та використання акумуляторів прос’юмерами. Запропоноване рішення вдосконалює інформаційну підтримку прос’юмерів, за рахунок поєднання прогнозування споживання та генерації, заданих користувачем параметрів гнучкості та обмежень на роботу батарей з метою зниження витрат і збільшення прибутку від продажу електроенергії. Цей модуль дозволяє явно моделювати гнучкість, підвищуючи прозорість та краще відображає індивідуальну поведінку. Валідація на реальних даних із різних сегментів прос’юмерів підтвердила його ефективність та універсальність для економії коштів.
Модуль дозволяє знизити витрати за реалістичних та екстремальних похибок прогнозування (до 75%) у більшості конфігурацій гнучкості. Загальна ефективність залежала від точності прогнозу та налаштувань гнучкості. Виявлено лінійну залежність між похибкою прогнозу та рівнем економії. У граничних випадках – при дуже низькій гнучкості та високій похибці прогнозу – планування ставало менш ефективним, що знижувало загальну економію. Збільшення гнучкості послаблює вимоги до точності прогнозу, що підкреслює важливий компроміс в плануванні. Вища гнучкість призводила до кращих початкових результатів, але швидшого погіршення зі зростанням похибки прогнозу. СППР з меншою гнучкістю демонстрували повільніше погіршення показників, проте були більш вразливими в граничних сценаріях.
Отримані результати мають практичне значення для вдосконалення процесів планування в СППР для прос’юмерів
Посилання
- Lopes, J. A. P., Madureira, A. G., Matos, M., Bessa, R. J., Monteiro, V., Afonso, J. L. et al. (2019). The future of power systems: Challenges, trends, and upcoming paradigms. WIREs Energy and Environment, 9 (3). https://doi.org/10.1002/wene.368
- Gržanić, M., Capuder, T., Zhang, N., Huang, W. (2022). Prosumers as active market participants: A systematic review of evolution of opportunities, models and challenges. Renewable and Sustainable Energy Reviews, 154, 111859. https://doi.org/10.1016/j.rser.2021.111859
- Alam, Md. S., Al-Ismail, F. S., Salem, A., Abido, M. A. (2020). High-Level Penetration of Renewable Energy Sources Into Grid Utility: Challenges and Solutions. IEEE Access, 8, 190277–190299. https://doi.org/10.1109/access.2020.3031481
- Shafiullah, M., Ahmed, S. D., Al-Sulaiman, F. A. (2022). Grid Integration Challenges and Solution Strategies for Solar PV Systems: A Review. IEEE Access, 10, 52233–52257. https://doi.org/10.1109/access.2022.3174555
- Mišljenović, N., Žnidarec, M., Knežević, G., Šljivac, D., Sumper, A. (2023). A Review of Energy Management Systems and Organizational Structures of Prosumers. Energies, 16 (7), 3179. https://doi.org/10.3390/en16073179
- Pöhler, J., Flegel, N., Mentler, T., Van Laerhoven, K. (2025). Keeping the human in the loop: are autonomous decisions inevitable? I-Com, 24 (1), 9–25. https://doi.org/10.1515/icom-2024-0068
- Marot, A., Rozier, A., Dussartre, M., Crochepierre, L., Donnot, B. (2022). Towards an AI Assistant for Power Grid Operators. HHAI2022: Augmenting Human Intellect. https://doi.org/10.3233/faia220191
- Donida Labati, R., Genovese, A., Piuri, V., Scotti, F., Sforza, G. (2020). A Decision Support System for Wind Power Production. IEEE Transactions on Systems, Man, and Cybernetics: Systems, 50 (1), 290–304. https://doi.org/10.1109/tsmc.2017.2783681
- Krueger, H., Cruden, A. (2020). Integration of electric vehicle user charging preferences into Vehicle-to-Grid aggregator controls. Energy Reports, 6, 86–95. https://doi.org/10.1016/j.egyr.2020.02.031
- Lukianykhin, O., Shendryk, V. (2025). Use of generative artificial intelligence to improve output message effectiveness in decision support systems for prosumers. Technology Audit and Production Reserves, 4 (2 (84)), 13–23. https://doi.org/10.15587/2706-5448.2025.333726
- Fotopoulou, M., Rakopoulos, D., Petridis, S. (2022). Decision Support System for Emergencies in Microgrids. Sensors, 22 (23), 9457. https://doi.org/10.3390/s22239457
- Iria, J., Soares, F. (2019). A cluster-based optimization approach to support the participation of an aggregator of a larger number of prosumers in the day-ahead energy market. Electric Power Systems Research, 168, 324–335. https://doi.org/10.1016/j.epsr.2018.11.022
- Mayadevi N., Vinod Chandra S. S., Ushakumari, S. (2014). A Review on Expert System Applications in Power Plants. International Journal of Electrical and Computer Engineering (IJECE), 4 (1). https://doi.org/10.11591/ijece.v4i1.5025
- Lukianykhin, O., Shendryk, V., Shendryk, S., Malekian, R. (2024). Promising AI Applications in Power Systems: Explainable AI (XAI), Transformers, LLMs. New Technologies, Development and Application VII, 66–76. https://doi.org/10.1007/978-3-031-66271-3_8
- Bose, B. K. (2017). Artificial Intelligence Techniques in Smart Grid and Renewable Energy Systems – Some Example Applications. Proceedings of the IEEE, 105 (11), 2262–2273. https://doi.org/10.1109/jproc.2017.2756596
- Lukianykhin, O., Bogodorova, T. (2021). Voltage Control-Based Ancillary Service Using Deep Reinforcement Learning. Energies, 14 (8), 2274. https://doi.org/10.3390/en14082274
- Qi, B., Liang, J., Tong, J. (2023). Fault Diagnosis Techniques for Nuclear Power Plants: A Review from the Artificial Intelligence Perspective. Energies, 16 (4), 1850. https://doi.org/10.3390/en16041850
- Panapakidis, I. P., Koltsaklis, N. E., Christoforidis, G. C. (2021). Forecasting Methods to Support the Decision Framework of Prosumers in Deregulated Markets. 2021 9th International Conference on Modern Power Systems (MPS), 1–5. https://doi.org/10.1109/mps52805.2021.9492725
- Benti, N. E., Chaka, M. D., Semie, A. G. (2023). Forecasting Renewable Energy Generation with Machine Learning and Deep Learning: Current Advances and Future Prospects. Sustainability, 15 (9), 7087. https://doi.org/10.3390/su15097087
- Teixeira, R., Cerveira, A., Pires, E. J. S., Baptista, J. (2024). Advancing Renewable Energy Forecasting: A Comprehensive Review of Renewable Energy Forecasting Methods. Energies, 17 (14), 3480. https://doi.org/10.3390/en17143480
- Xie, Y., Li, C., Li, M., Liu, F., Taukenova, M. (2023). An overview of deterministic and probabilistic forecasting methods of wind energy. IScience, 26 (1), 105804. https://doi.org/10.1016/j.isci.2022.105804
- Lukianykhin, O., Shendryk, V. (2025). Machine learning-driven photovoltaic generation forecasting for prosumer decision support. Artificial Intelligence, 30 (AI.2025.30 (1)), 107–119. https://doi.org/10.15407/jai2025.01.107
- Karagiannopoulos, S., Aristidou, P., Hug, G. (2019). Data-Driven Local Control Design for Active Distribution Grids Using Off-Line Optimal Power Flow and Machine Learning Techniques. IEEE Transactions on Smart Grid, 10 (6), 6461–6471. https://doi.org/10.1109/tsg.2019.2905348
- Linan-Reyes, M., Garrido-Zafra, J., Gil-de-Castro, A., Moreno-Munoz, A. (2021). Energy Management Expert Assistant, a New Concept. Sensors, 21 (17), 5915. https://doi.org/10.3390/s21175915
- Langtry, M., Wichitwechkarn, V., Ward, R., Zhuang, C., Kreitmair, M. J., Makasis, N. et al. (2024). Impact of data for forecasting on performance of model predictive control in buildings with smart energy storage. Energy and Buildings, 320, 114605. https://doi.org/10.1016/j.enbuild.2024.114605
- Pineda, S., Morales, J. M., Boomsma, T. K. (2016). Impact of forecast errors on expansion planning of power systems with a renewables target. European Journal of Operational Research, 248 (3), 1113–1122. https://doi.org/10.1016/j.ejor.2015.08.011
- Matthiss, B., Momenifarahaniy, A., Ohnmeissz, K., Felderx, M. (2018). Influence of Demand and Generation Uncertainty on the Operational Efficiency of Smart Grids. 2018 7th International Conference on Renewable Energy Research and Applications (ICRERA), 751–756. https://doi.org/10.1109/icrera.2018.8566733
- Eljand, K., Laid, M., Scellier, J.-B., Dane, S., Demkin, M., Howard, A. (2023). Enefit - Predict energy behavior of prosumers. Kaggle. Available at: https://kaggle.com/competitions/predict-energy-behavior-of-prosumers
- Virtanen, P., Gommers, R., Oliphant, T. E., Haberland, M., Reddy, T., Cournapeau, D. et al. (2020). SciPy 1.0: fundamental algorithms for scientific computing in Python. Nature Methods, 17 (3), 261–272. https://doi.org/10.1038/s41592-019-0686-2
- Knap, V., Molhanec, M., Gismero, A., Stroe, D.-I. (2021). Calendar Degradation and Self-Discharge Occurring During Short- and Long-Term Storage of NMC Based Lithium-Ion Batteries. ECS Transactions, 105 (1), 3–11. https://doi.org/10.1149/10501.0003ecst
- Kumar, M. (2023). Comparison on study of lithium ion and lead acid charging and discharging characteristics. International Scientific Journal of Engineering and Management, 02 (03). https://doi.org/10.55041/isjem00163
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2025 Oleh Lukianykhin, Vira Shendryk
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
