Аннотация
В статье выполнен анализ взаимосвязи между выработкой электроэнергии на гидроэлектростанциях (ГЭС) и изменениями температуры для среднесрочного прогнозирования в изолированной энергосистеме Горно-Бадахшанской автономной области (ГБАО) Республики Таджикистан. Повышение точности прогнозирования позволит решить проблему контроля расхода воды, а также оптимизировать выработку электроэнергии на ГЭС с обеспечением надёжного функционирования энергосистемы. Решение подобных задач связано с рядом проблем, таких как отсутствие достаточного объема данных, неопределенность выработки электроэнергии, отсутствие регулярности работы одной станции и недостаточная точность используемых на ГЭС моделей прогнозирования. При среднесрочном прогнозировании выработки электроэнергии на ГЭС следует учитывать сезонность изменений стока и притока воды, особенно в энергосистемах с высокой долей возобновляемых источников энергии, где изменение температуры напрямую влияет на запасы и возможность регулирования. В работе рассматривается проблема построения модели среднесрочного прогнозирования выработки электроэнергии на ГЭС с учетом изменений температуры в изолированных энергосистемах. В качестве метода среднесрочного прогнозирования выработки электроэнергии был выбран подход машинного обучения, который характеризуется высокой степенью самоадаптации к изменениям условий работы. Проведено сравнительное исследование таких моделей, как линейная/полиномиальная регрессия c регуляризацией Тихонова, алгоритм k-ближайших соседей, адаптивный бустинг деревьев решений, адаптивный бустинг линейных моделей, случайный лес, экстремальный градиентный бустинг, многослойный перцептрон. В результате выполнения компьютерного моделирования обоснована целесообразность применения модели на базе адаптивного бустинга с линейной регрессией (ABLR).
Ключевые слова
Ансамблевые модели, среднесрочное прогнозирование, гидроэлектростанция, выработка электроэнергии, изолированная энергосистема, температура.
1. Sachdev H.S., Akella A.K., Kumar N. Analysis and evaluation of small hydropower plants: A bibliographical survey // Renewable and Sustainable Energy Reviews. 2015. Vol. 51. Pp. 1013-1022. doi: 10.1016/j.rser.2015.06.065
2. A Comprehensive Study on the Recent Progress and Trends in Development of Small Hydropower Projects / T.S. Kishore, E.R. Patro, V.S. Harish, A.T. Haghighi // Energies. 2021. Vol. 14 (10). 2882. doi: 10.3390/en14102882
3. Algorithm for calculation and selection of micro hydropower plant taking into account hydrological parameters of small watercourses mountain rivers of Central Asia / M.S. Asanov, M.Kh. Safaraliev, T.Zh. Zhabudaev, S.M. Asanova, S.E. Kokin, S.A. Dmitriev, A.J. Obozova, A.H. Ghulomzoda // International Journal of Hydrogen Energy. 2021. Vol. 46. No. 75. Pp. 37109-37119. doi: 10.1016/j.ijhydene.2021.08.160
4. Bayazıt Y., Bakış R., Koç C. A study on transformation of multi-purpose dams into pumped storage hydroelectric power plants by using GIS model // International Journal of Green Energy. 2020. Iss. 3. Pp. 1-11. doi: 10.1080/15435075.2020.1865362
5. Recloser-Based Decentralized Control of the Grid with Distributed Generation in the Lahsh District of the Rasht Grid in Tajikistan, Central Asia / A. Ghulomzoda, A. Gulakhmadov, A. Fishov, M. Safaraliev, X. Chen, K. Rasulzoda, K. Gulyamov, J. Ahyoev // Energies. 2020. Vol. 13. No. 14. 3673. doi: 10.3390/en13143673
6. Mayeda A.M., Boyd A.D. Factors influencing public perceptions of hydropower projects: A systematic literature review // Renewable and Sustainable Energy Reviews. 2020. Vol. 121. 109713. doi: 10.1016/j.rser.2020.109713
7. Baipenzhu Reservoir Inflow Flood Forecasting Based on a Distributed Hydrological Model / X. Shichao, Ch. Yangbo, X. Lixue, L. Chuan // Water. 2021. Vol. 13(3). 272. doi: 10.3390/w13030272
8. Banihabib M.E., Bandari R., Valipour M. Improving Daily Peak Flow Forecasts Using Hybrid Fourier-Series Autoregressive Integrated Moving Average and Recurrent Artificial Neural Network Models // AI. 2020. Vol. 1 (2). Pp. 263-275. doi: 10.3390/ai1020017
9. Albo-Salih H., Mays L. Testing of an Optimization-Simulation Model for Real-Time Flood Operation of River-Reservoir Systems // Water. 2021. Vol. 13. 1207. doi: 10.3390/w13091207
10. Priyanka S., Machiwal D. Streamflow forecasting: overview of advances in data-driven techniques // Advances in Streamflow Forecasting. 2021. No. 1. Pp. 1-50. doi: 10.1016/B978-0-12-820673-7.00013-5
11. Oluwaseun O., Stretch D. Neural network modeling of hydrological systems: A review of implementation techniques // Natural Resource Modeling. 2019. Vol. 32 (1). 12189. doi: 10.1111/nrm.12189
12. Capacity estimation of a minihydro plant based on time series forecasting / R. Peña, A. Medina, O. Anaya-Lara, J.R. McDonald // Renewable Energy. 2009. Vol. 34(5). Pp. 1204-1209. doi: 10.1016/j.renene.2008.10.011.
13. Applying a Correlation Analysis Method to Long-Term Forecasting of Power Production at Small Hydropower Plants / G. Li, C.-X. Liu, S.-L. Liao, C.-T. Cheng // Water. 2015. Vol. 7 (9). Pp. 4806-4820. doi: 10.3390/w7094806.
14. Future hydropower generation prediction of large-scale reservoirs in the upper Yangtze River basin under climate change / Z. Wenjie, G. Jing, Ch. Lu, Zh. Jianzhong, Zh. Junhong, W. Dangwei // Journal of Hydrology. 2020. Vol. 588. 125013. doi: 10.1016/j.jhydrol.2020.125013
15. Гуломзода А. Х., Сафаралиев М. Х., Люханов Е. А. Модифицированный способ синхронизации microgrid с внешней изолированной энергосистемой // Электротехнические системы и комплексы. 2021. № 3. С. 72-80. doi: 10.18503/2311-8318-2021-3(52)-72-80
16. Алгоритм выбора компенсирующих устройств на основе нечеткой логики / А.К. Киргизов, Ш.М. Султонов, С.Е. Кокин, М.Х. Сафаралиев // Политехнический вестник. Серия: Инженерные исследования. 2018. №4(44). С. 10-13.
17. Разработка моделей среднесрочного прогнозирования электропотребления в изолированно работающих энергосистемах на основе ансамблевых методов машинного обучения / С.М. Асанова, Дж.С. Ахьеев, С.А. Дмитриев, П.В. Матренин, М.Х. Сафаралиев // Известия НТЦ Единой энергетической системы. 2021. № 1(84). С. 32-39.
18. Антоненков Д.В., Матренин П.В. Исследование ансамблевых и нейросетевых методов машинного обучения в задаче краткосрочного прогнозирования электропотребления горных предприятий // Электротехнические системы и комплексы. 2021. № 3(52). С. 57-65. doi: 10.18503/2311-8318-2021-3(52)-57-65
19. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. 2016. 785-794. doi: 10.1145/2939672.2939785
20. Официальный сайт Scikit-Learn. Machine learning in Python. URL:https://scikit-learn.org (дата обращения 01.02.2022)