Аннотация
В настоящее время мировое потребление энергии растет. Традиционные источники энергии становятся все более эффективными, но рост населения планеты ведет к общему увеличению энергопотребления. Так, по прогнозам Международного энергетического агентства, прогноз энергопотребления на 2030 год составит 33,4 трлн кВт•ч, а к 2050 году – до 41,3 трлн кВт•ч. В связи с этим для обеспечения роста глобальных запросов энергетике нужны принципиальные изменения, а именно децентрализация генерации, внедрение умных сетей (Smart Grid) и использование альтернативных источников энергии (энергии солнца и ветра). Лишь в этом случае удастся радикально снизить стоимость электроэнергии. Однако использование альтернативных источников энергии в рамках оптового рынка электроэнергии и мощности, действующего в настоящее время на территории Российской Федерации, невозможно без применения краткосрочных прогностических моделей «на сутки вперед». В данной статье проведен анализ существующих методов краткосрочного прогнозирования, которые применяются для построения прогнозов выработки электрической энергии на солнечных электростанциях, а также была проработана их классификация. На сегодняшний день существует уже довольно большое количество прогностических моделей, построенных в рамках каждого из выделенных методов краткосрочного прогнозирования, и все они отличаются своими особенностями. Поэтому для выделения наиболее перспективного для дальнейшего использования и развития метода краткосрочного прогнозирования был проведен анализ части из существующих прогностических моделей. В ходе исследования была оценена точность построения прогноза для каждого из методов краткосрочного прогнозирования и сделан вывод о перспективе использования и дальнейшего развития гибридного статистическо-адаптивного метода.
Ключевые слова
Анализ данных, прогнозирование, электроэнергия, генерация, солнечные электростанции, возобновляемые источники энергии.
1. 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.
2. Толстых М.А., Фролов А.В. Некоторые современные проблемы численного прогноза погоды // Известия РАН. ФАО. 2005. Т. 41. № 3. С. 315–327.
3. Грицай А.С. Гибридный метод краткосрочного прогнозирования потребления электрической энергии для энергосбытового предприятия с учетом метеофакторов. Омск, 2017. 153 с.
4. 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. No. 4. P. 783–792.
5. Short-term solar power forecasting considering cloud coverage and ambient temperature variation effects / F.H. Gandoman, S.A. Aleem, N. Omar, A. Ahmadi, F.Q. Alenezi // Renewable Energy. 2018. Vol. 123. P. 793–805.
6. Akter N., Islam Md.N. Use of MM5 model for weather forecasting over Bangladesh region // BRAC University Journal. 2007. Vol. IV. 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. Кивчун О.Р. Метод векторного рангового анализа при управлении электропотреблением объектов военной инфраструктуры // Известия Тульского государственного университета. Технические науки. 2018. № 11. С. 550–560.
9. 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.
10. 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.
11. Манусов В.З., Хохлова С.В. Сравнительный анализ двух моделей прогнозирования электрической нагрузки промышленных предприятий, построенных на основе регрессионного анализа и искусственных нейронных сетей // Научный вестник Новосибирского государственного технического университета. 2008. № 1 (30). С. 147–159.
12. Грицай А.С., Тюньков Д.А. Классификация методов краткосрочного прогнозирования электропотребления для субъектов ОРЭМ // Актуальные вопросы энергетики: материалы Всероссийской научной конференции студентов, магистрантов, аспирантов. Омск: ОмГТУ, 2016. С. 41–45.
13. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс. М.: Дело, 2007. 504 с.
14. Bacher P., Madsen H., Nielsen H.A. Online short-term solar power forecasting // Solar Energy. 2009. Vol. 83. No. 10. P. 1772–1783.
15. Ramakrishna R., Scaglione A. A Compressive Sensing framework for the analysis of Solar Photo-Voltaic Power // Proceedings of 50th Asilomar Conference on Signals, Systems and Computers. Pacific Grove: IEEE, 2016. P. 308–3012.
16. Binding Statistical and Machine Learning Models for Short-Term Forecasting of Global Solar Radiation / L. Mora-López, I. Martínez-Marchena, M. Piliougine, M. Sidrach-de-Cardona // Lecture Notes in Computer Science. 2011. Vol. 7014. P. 294–305.
17. Модели краткосрочного прогнозирования выработки солнечных электростанций / Д.А. Снегирев, С.А. Ерошенко, А.И. Хальясмаа, В.В. Дубайлова // Электроэнергетика глазами молодежи – 2018: материалы IX Международной молодежной научно-технической конференции. Казань: КГЭУ, 2018. Т. 3. С. 179–182.
18. 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.
19. Кивчун О.Р. Метод векторного рангового анализа электропотребления объектов региональной инфраструктуры // Промышленная энергетика. 2018. №5. С. 36–43.
20. Chowdhury B.H., Rahman S. Forecasting sub-hourly solar irradiance for prediction of photovoltaic output // Proceedings of IEEE Photovoltaic Specialists Conference. New Orleans: IEEE, 1987. P. 171–176.
21. 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.
22. Использование нейронной сети для построения краткосрочного прогноза электропотребления ООО «Омская энергосбытовая компания» / В.И. Потапов, А.С. Грицай, Д.А. Тюньков, Г.Э. Синицин // Известия томского политехнического университета. Инжиниринг георесурсов. 2016. Т. 327. № 8. С. 44–51.
23. Хайкин С. Нейронные сети: пер. с англ. – М.: Вильямс, 2006. 1104 с.
24. Потапов В.И. Об эффективности обеспечения надежности избыточной нейронной системы со случайным периодом контроля и восстановления работоспособности после отказов нейронов // Омский научный вестник. 2010. №3(93). С. 202–203.
25. Вьюгин В.В. Математические основы теории машинного обучения и прогнозирования. М.: МЦМНО, 2013. 387 с.
26. Надтока И.И., Аль-Зихери Б.М. Краткосрочное прогнозирование нагрузки с помощью теории наименьших квадратов опорных векторов (LS-SVM) // Современные проблемы науки и образования. 2013. №6. Режим доступа: https://www.science-education.ru/ru/article/view?id=11213, свободный (дата обращения: 02.03.2019).
27. Eroshenko S., Khalyasmaa A., Snegirev D. Machine learning techniques for short-term solar power stations operational mode planning // E3S Web of Conferences. 2018. Vol. 51. doi: 10.1051/e3sconf/20185102004.
28. Generalized neural network methodology for short term solar power forecasting / V.P. Singh, V. Vijay, M.S. Bhatt, D.K. Chaturvedi // Proceedings of 13th International Conference on Environment and Electrical Engineering (EEEIC). – Wroclaw: IEEE, 2013. doi: 10.1109/eeeic-2.2013.6737883.
29. Online 24-h solar power forecasting based on weather type classification using artificial neural network / C. Chen, S. Duan, T. Cai, B. Liu // Solar Energy. 2011. Vol. 85. No. 11. P. 2856–2870.
30. Short-term output power forecasting of photovoltaic systems based on the deep belief net / L.L. Li, P. Cheng, H.C. Lin, H.Dong // Advances in Mechanical Engineering. 2017. Vol. 9. No. 9. doi: 10.1177/1687814017715983.
31. 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.
32. Воротынцев Д.В., Тягунов М.Г. Применение интеллектуальных информационных технологий в задаче прогнозирования солнечной энергии // Вестник Московского энергетического института. 2018. №4(4). С. 53–57.
33. Камшилова Ю.А. Прогноз выработки электроэнергии инвариантных ветроэнергетических установок методом нечеткой логики // Актуальные проблемы авиации и космонавтики. 2015. Т. 1. № 11. С. 316–318.
34. 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.
35. 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.
36. Особенности прогнозирования выработки электроэнергии солнечными электростанциями / Д.А. Снегирев, Р.Т. Валиев, С.А. Ерошенко, Ф.И. Хальясмаа // Электроэнергетика глазами молодежи: материалы VIII Международной научно-технической конференции. Самара: СамГТУ, 2017. Т. 3. С. 139–142.
37. Wu Y.K., Chen C.R., Rahman H.A. A Novel Hybrid Model for Short-Term Forecasting in PV Power Generation // International Journal of Photoenergy. 2014. Vol. 2014. doi: 10.1155/2014/569249.