Удосконалення прогнозування електричних навантажень у мережах із розподіленою генерацією за допомогою нейронних мереж
DOI:
https://doi.org/10.31498/2225-6733.52.2025.351014Ключові слова:
децентралізована генерація, відновлювана енергетика, прогнозування режимів, імітаційне моделювання, штучні нейронні мережі, точність прогнозуАнотація
Зростання питомої ваги відновлюваних джерел електроенергії, насамперед сонячної та вітрової генерації, у балансі сучасних електроенергетичних систем сприяє переходу до функціонування електричних мереж із децентралізованим виробництвом електроенергії. Поряд із очевидними перевагами така трансформація зумовлює підвищення складності оперативного та планового керування енергосистемами, що обумовлено стохастичним характером виробітку електроенергії та його залежністю від метеорологічних і зовнішніх факторів. Це, у свою чергу, призводить до зростання невизначеності та ризиків при формуванні договірних зобов’язань на лібералізованому ринку електроенергії. Аналіз наукових публікацій свідчить, що більшість досліджень, присвячених прогнозуванню режимів функціонування мереж із децентралізованою генерацією, орієнтовані на моделювання окремих об’єктів, зокрема сонячних або вітрових електростанцій. Перспективним напрямом подолання зазначених обмежень є прогнозування режимів роботи мережі як єдиного цілісного об’єкта із застосуванням методів штучного інтелекту, зокрема нейромережевих моделей. Завдяки здатності нейронних мереж апроксимувати складні нелінійні залежності стає можливим використання не лише прямих параметрів генерації, а й опосередкованих вхідних даних, які є доступними для більшості виробників електроенергії з відновлюваних джерел. Водночас недостатньо дослідженим залишається питання комплексного врахування взаємного впливу розподілених джерел генерації та параметрів електричної мережі при коротко- та середньостроковому прогнозуванні її режимів. Метою роботи є підвищення точності прогнозування режимних параметрів електричних мереж з розподіленою генерацією на основі нейромережевого підходу з урахуванням системних ефектів. У межах даного дослідження виконано імітаційне моделювання режимів роботи електричної мережі з розподіленими джерелами генерації з різними параметрами, здійснено прогнозування її режимних параметрів із використанням нейронних мереж, а також проведено порівняльний аналіз прогнозних та фактичних значень із кількісною оцінкою точності прогнозу
Посилання
Distributed Generation (DG): A Review / Adajah Y. Y., Thomas S., Haruna M. S., Anaza S. O. 1st International Conference on Multidisciplinary Engineering and Applied Science (ICMEAS), Abuja, Nigeria, 15-16 July 2021. Pp. 1-5. DOI: https://doi.org/10.1109/ICMEAS52683.2021.9692353.
Photovoltaic output power performance assessment and forecasting: Impact of meteorological variables / A. Ziane et al. Solar Energy. 2021. Vol. 220. Pp. 745-757. DOI: https://doi.org/10.1016/j.solener.2021.04.004.
Photovoltaic power forecast based on satellite images considering effects of solar position / Si Z., Yang M., Yu Y., Ding T. Applied Energy. 2021. Vol. 302. Article 117514. DOI: https://doi.org/10.1016/j.apenergy.2021.117514.
Solar PV Generation Forecast Model Based on the Most Effective Weather Parameters / M. A. Munir et al. International Conference on Electrical, Communication, and Computer Engineering (ICECCE), Swat, Pakistan, 24-25 July 2019. Pp. 1-5. DOI: https://doi.org/10.1109/ICECCE47252.2019.8940664.
Pena-Gallardo R., Medina-Rios A. A comparison of deep learning methods for wind speed forecasting. 2020 IEEE International Autumn Meeting on Power, Electronics and Computing (ROPEC), Ixtapa, Mexico, 04-06 November 2020. Pp. 1-6. DOI: https://doi.org/10.1109/ROPEC50909.2020.9258673.
Velazquez S. Medina and Portero U. Ajenjo. Performance Improvement of Artificial Neural Network Model in Short-term Forecasting of Wind Farm Power Output. Journal of Modern Power Systems and Clean Energy. 2020. Vol. 8, no. 3. Pp. 484-490. DOI: https://doi.org/10.35833/MPCE.2018.000792.
Goncalves C., Bessa R. J., Pinson P. Privacy-Preserving Distributed Learning for Renewable Energy Forecasting. IEEE Transactions on Sustainable Energy. 2021. Vol. 12, no. 3. Pp. 1777-1787. DOI: https://doi.org/10.1109/TSTE.2021.3065117.
Щербина Д. Використання електричних мереж з розподіленою генерацією для збалансованого постачання електроенергії. Modern engineering and innovative technologies. 2023. № 29–01. С. 55-60. DOI: https://doi.org/10.30890/2567-5273.2023-29-01-042.
Haykin S.S. Neural networks and learning machines. 3rd ed. New York: Prentice Hall, 2009. 934 p.
An overview and comparative analysis of Recurrent Neural Networks for Short Term Load Forecasting / F.M. Bianchi et al. Springer Cham, 2017. 72 p. DOI: https://doi.org/10.1007/978-3-319-70338-1.
Sayenko Y. Wind power forecasting based on meteorological data using neural networks. Przegląd elektrotechniczny. 2021. Vol. 1, no. 11. Pp. 209-212. DOI: https://doi.org/10.15199/48.2021.11.39.
Sayenko Y., Baranenko T., Liubartsev V. Forecasting of Electricity Generation by Solar Panels Using Neural Networks with Incomplete Initial Data. 2020 IEEE 4th International Conference on Intelligent Energy and Power Systems (IEPS), Istanbul, Turkey, 07-11 September 2020. Pp. 140-143. DOI: https://doi.org/10.1109/IEPS51250.2020.9263085.
Sayenko Y., Sychenko V., Liubartsev V. Development of Methods for Optimizing Reactive Power Modes Based on Neural Network Technologies. 2019 IEEE 6th International Conference on Energy Smart Systems (ESS), Kyiv, Ukraine, 17-19 April 2019. Pp. 98-103. DOI: https://doi.org/10.1109/ESS.2019.8764220.
Zhao B., Wang C., Zhang X. Grid‐Integrated and Standalone Photovoltaic Distributed Generation Systems: Analysis, Design, and Control. 1st ed. Wiley, 2017. DOI: https://doi.org/10.1002/9781119187349.
A critical review of the integration of renewable energy sources with various technologies / Erdiwansyah et al. Protection and Control of Modern Power Systems. 2021. Vol. 6, no. 1. Article 3. DOI: https://doi.org/10.1186/s41601-021-00181-3.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Журнал "Вісник Приазовського державного технічного університету. Серія: Технічні науки" видається під ліцензією СС-BY (Ліцензія «Із зазначенням авторства»).
Дана ліцензія дозволяє поширювати, редагувати, поправляти і брати твір за основу для похідних навіть на комерційній основі із зазначенням авторства. Це найзручніша з усіх пропонованих ліцензій. Рекомендується для максимального поширення і використання неліцензійних матеріалів.
Автори, які публікуються в цьому журналі, погоджуються з наступними умовами:
1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, яка дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи в цьому журналі.
2. Автори мають право укладати самостійні додаткові угоди, які стосуються неексклюзивного поширення роботи в тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи в цьому журналі.
