Ключові слова
neural networks
recurrent neural networks
photovoltaic solar power plant
PVSPP короткострокове прогнозування
нейронні мережі
рекурентні нейронні мережі
сонячні електростанції
СЕС
Як цитувати
Анотація
Статтю присвячено розвитку моделей прогнозування відпуску електроенергії промисловими сонячними електростанціями на основі штучних нейронних мереж та використання числового прогнозу погоди. Актуальність дослідження обумовлена необхідністю зменшення витрат, пов'язаних з небалансами виробників з відновлюваних джерел енергії (ВДЕ), які іноді сягають 50% відпущеної електроенергії, а також зростанням небалансів таких виробників в ОЕС України. Загальні небаланси виробників з ВДЕ сьогодні зумовлені падінням на 45% виробництва зеленої електроенергії, зокрема і внаслідок того, що у південних і південно-східних регіонах бойові дії пошкодили або знищили 75% вітрових електростанцій і 15 % сонячних станцій. Підвищення точності та стабільності прогнозування відпуску електроенергії такими виробниками можуть значно скоротити витрати на небаланси. Розроблено різні методи агрегації для 15-хвилинних значень вироблення зеленої енергії, щоб підвищити точність прогнозування для 1, 2 та 24-годинних інтервалів. Досліджено потенційні переваги використання значень числового прогнозу погоди (NWP) задля підвищення точності прогнозу. Проаналізовано вплив зовнішніх факторів на точність прогнозів з різною глибиною. У процесі дослідження використовувалися дві сучасні моделі рекурентної нейронної мережі, LSTM і GRU, з різними часовими послідовностями. Бібл. 14, рис. 5, табл. 2.
Посилання
Kyrylenko O.V., Blinov I.V., Parus E.V. Operation evaluation of power plants in the provision of ancillary services of primary and secondary frequency control in the ukrainian power system. Tekhnichna Elektrodynamika. 2013. No 5. Pp. 55–60. (Ukr)
Kyrylenko O.V., Pavlovsky V.V., Blinov I.V. Scientific and technical support for organizing the work of the IPS of Ukraine in synchronous mode with the European continental energy system ENTSO-E. Tekhnichna Elektrodynamika. 2022. No 5. Pp. 59–66. DOI: https://doi.org/10.15407/techned2022.05.059. (Ukr)
Tiechui Yao, Jue Wang, Haoyan Wu, Pei Zhang, Shigang Li, Yangang Wang, Xuebin Chi, Min Shi. A photovoltaic power output dataset: Multi-source photovoltaic power output dataset with Python toolkit. Solar Energy. 2021. Vol. 230. Pp. 122–130. DOI: https://doi.org/10.1016/j.solener.2021.09.050.
Tiechui Yao, Jue Wang, Haoyan Wu, Pei Zhang, Shigang Li, Yangang Wang, Xuebin Chi, Min Shi. PVOD v1.0: A photovoltaic power output dataset. Science Data Bank. DOI: https://doi.org/10.11922/sciencedb.01094
Mariam AlKandari, Imtiaz Ahmad. Solar power generation forecasting using ensemble approach based on deep learning and statistical methods. Applied Computing and Informatics. 2020. DOI https://doi.org/10.1016/j.aci.2019.11.002.
André Gensler, Janosch Henze, Bernhard Sick, Nils Raabe. Deep Learning for solar power forecasting – An approach using AutoEncoder and LSTM Neural Networks. IEEE International Conference on Systems, Man, and Cybernetics (CMS). Budapest, Hungary, 09-12 October 2016. DOI: https://doi.org/10.1109/SMC.2016.7844673.
Loskutov S., Blinov I., Miroshnyk V. Comparison of widely-used models for multifactoral short-term photovoltaic generation forecast. IEEE 8th International Conference on Energy Smart Systems (ESS). Kyiv, Ukraine, 12-14 October 2022. Pp. 123–126. DOI: https://doi.org/10.1109/ESS57819.2022.9969270.
Miroshnyk V., Shymaniuk P., Sychova V. Short Term Renewable Energy Forecasting with Deep Learning Neural Networks. In: Kyrylenko O., Zharkin A., Butkevych O., Blinov I., Zaitsev I., Zaporozhets A. (eds) Power Systems Research and Operation. Studies in Systems, Decision and Control. 2021. Vol. 388. Springer, Cham. DOI: https://doi.org/10.1007/978-3-030-82926-1_6.
Kyunghyun Cho, Bart van Merriënboer, Dzmitry Bahdanau, Yoshua Bengio. On the Properties of Neural Machine Translation: Encoder–Decoder Approaches. Eighth Workshop on Syntax, Semantics and Structure in Statistical Translation (SSST-8). Doha, Qatar, 2014. Pp. 103–111. DOI: https://doi.org/10.3115/v1/W14-4012
Xifeng Guo, Yi Zhan, Di Zheng, Lingyan Li, Qi Qi. Research on short-term forecasting method of photovoltaic power generation based on clustering SO-GRU method. Energy Reports. 2023. Vol. 9. Supplement 10. Pp. 786–793. DOI: https://doi.org/10.1016/j.egyr.2023.05.208.
Sepp Hochreiter, Jürgen Schmidhuber. Long Short-term Memory. Neural computation. 1997. Vol. 9. Pp. 1735–80.
Tae-Young Kim, Sung-Bae Cho. Predicting residential energy consumption using CNN-LSTM neural networks. Energy. 2019. Vol. 182. Pp. 72–81. DOI: https://doi.org/10.1016/j.energy.2019.05.230.
Ivanov H., Blinov I., Parus Y. Simulation Model of New Electricity Market in Ukraine. IEEE 6th International Conference on Energy Smart Systems (ESS). Kyiv, Ukraine, 17-19 April 2019. DOI: https://doi.org/10.1109/ESS.2019.8764184.
Loskutov S., Miroshnyk V., Blinov I. Comparison of widely-used models for multifactoral short-term photovoltaic generation forecast. IEEE 8th International Conference on Energy Smart Systems (ESS). Kyiv, Ukraine, 12-14 October 2022. Pp. 123–126. DOI: https://doi.org/10.1109/ESS57819.2022.9969270.
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Авторське право (c) 2024 Array