Аннотация
Прогнозирование генерации ветроэлектрических станций (ВЭС) необходимо для обеспечения участия ВЭС на оптовом рынке электроэнергии и планирования режимов энергосистем при интеграции значительных объемов установленной мощности ВЭС. Для повышения эффективности прогнозирования могут быть использованы различные методы предварительной обработки данных, в частности идентификации выбросов. В данной статье рассмотрен один из подходов к повышению эффективности прогнозирования генерации ВЭС с помощью предварительной обработки исходных данных, основанный на идентификации выбросов на характеристиках мощности ветроустановок (ВЭУ) и ветроэлектростанций. В работе представлено исследование способов выявления выбросов с помощью характеристик мощности отдельных ветроустановок, а также суммарных характеристик групп ветроустановок и всей ВЭС. Рассмотрен существующий способ, основанный на методе межквартильного размаха. Также предложена модификация существующей методики, базирующейся на алгоритме основанной на плотности пространственной кластеризации для приложений с шумами, для автоматического определения максимального радиуса соседства. Разработана новая методика обнаружения выбросов с помощью алгоритма глобально-локальной оценки выбросов по иерархической основанной на плотности пространственной кластеризации. Данный подход, примененный к характеристикам мощности при прогнозировании на уровне групп ветроустановок, позволил снизить среднеквадратичную ошибку прогноза на 15,9 % по отношению к прогнозу по ВЭС без исключения выбросов. Для проверки предложенных методик повышения эффективности краткосрочного прогнозирования генерации ВЭС использовался набор реальных данных с ВЭС установленной мощностью 98,8 МВт. Разработанные методики могут быть использованы как собственниками ВЭС для снижения возможных убытков при отклонении фактической генерации от планируемой генерации, передаваемой в ценовой заявке, так и Системным оператором для более точного краткосрочного планирования электроэнергетических режимов.
Ключевые слова
прогнозирование генерации ветроэлектростанций, идентификация выбросов, глобально-локальная оценка выбросов (GLOSH), иерархическая основанная на плотности пространственная кластеризация для приложений с шумами (HDBSCAN*), машинное обучение, ветроэлектрическая станция, возобновляемые источники энергии
1. Системный оператор Единой энергетической системы: офиц. сайт. Отчеты о функционировании ЕЭС России за 2017–2023 гг. URL: https://www.so-ups.ru/functioning/tech-disc/tech-disc-ups/ (дата обращения: 01.09.2024)
2. Ассоциация развития возобновляемой энергетики АРВЭ: офиц. сайт. Конкурсные отборы инвестиционных проектов ВИЭ 2023. URL: https://rreda.ru/industry/competitive-selection/#big-gallery-9 (дата обращения: 01.09.2024)
3. Илюшин П.В. Интеграция электростанций на основе возобновляемых источников энергии в Единую энергетическую систему России: обзор проблемных вопросов и подходов к их решению // Вестник Московского энергетического института. 2022. № 4. С. 98-107. doi: 10.24160/1993-6982-2022-4-98-107
4. НП Совет рынка: офиц. сайт. Регламент проведения конкурентного отбора ценовых заявок на сутки вперед. URL: https://www.np-sr.ru/sites/default/files/sr_regulation/reglaments/r7_01012026_26112024.docx (дата обращения: 21.08.2024)
5. A critical review of wind power forecasting methods – past, present and future / S. Hanifi, X. Liu, Z. Lin, S. Lotfian // Energies. 2020. No. 13(15). 3764. doi: 10.3390/en13153764
6. Smiti A. A critical overview of outlier detection methods. Computer Science Review. 2020. Vol. 38. 100306. doi: 10.1016/j.cosrev.2020.100306.
7. Обухов С.Г. Системы генерирования электрической энергии с использованием возобновляемых энергоресурсов: учеб. пособие. Томск: Изд-во Томск. политехн. ун-та, 2008. 140 с.
8. Applications and modeling techniques of wind turbine power curve for wind farms – A review / F. Bilendo, A. Meyer, H. Badihi, N. Lu, P. Cambron, B. Jiang // Energies. 2022. No. 16(1). 180. doi: 10.3390/en16010180
9. Short-term wind power forecasting based on clustering pre-calculated CFD method / Y. Wang, Y. Liu, Li Li, D. Infield, S. Han // Energies. 2018. No. 11(4). 854. doi: 10.3390/en11040854
10. Yakoub G. Direct and indirect short-term aggregated turbine-and farm-level wind power forecasts integrating several NWP sources / G. Yakoub, S. Mathew, J. Leal // Heliyon. 2023. No. 9(11). e21479. doi: 10.1016/j.heliyon.2023.e21479
11. Data-driven correction approach to refine power curve of wind farm under wind curtailment / Y. Zhao, Lin Ye, W. Wang, H. Sun, Y. Ju, Y. Tang // IEEE Transactions on Sustainable Energy. 2017. No. 9(1). Pp. 95-105. doi: 10.1109/TSTE.2017.2717021
12. Tukey J.W. Exploratory data analysis. London: Addison-Wesley, 1977. 688 p.
13. Paik C., Chung Y., Kim Y.J. Power Curve Modeling of Wind Turbines through Clustering-Based Outlier Elimination // Applied System Innovation. 2023. No. 6(2). 41. doi: 10.3390/asi6020041
14. A density-based algorithm for discovering clusters in large spatial databases with noise / M. Ester, H.-P. Kriegel, J. Sander, X. Xu // Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD). AAAI Press, 1996. Pp. 226-231. URL: https://www2.cs.uh.edu/~ceick/DM/WS-P1.pdf (date of access: 04.05.2025).
15. Finding a" Kneedle" in a Haystack: Detecting Knee Points in System Behavior / V. Satopaa, J. Albrecht, D. Irwin, B. Raghavan // Proceedings of the 31st International Conference on Distributed Computing Systems Workshops (ICDCSW). IEEE, 2011. Pp. 166-171. doi: 10.1109/ICDCSW.2011.20
16. Campello R.J.G.B., Moulavi D., Sander J. Density-based clustering based on hierarchical density estimates // Lecture Notes in Computer Science. 2013. Vol. 7819. Pp. 160-172. doi: 10.1007/978-3-642-37456-2_14
17. Hierarchical density estimates for data clustering, visualization, and outlier detection / R. Campello, D. Moulavi, A. Zimek, J. Sander // ACM Transactions on Knowledge Discovery from Data (TKDD). 2015. No. 10(1). Pp. 1-51. doi: 10.1145/2733381
18. Swersky L. A study of unsupervised outlier detection for one-class classification. URL: https://era.library.ualberta.ca/items/0487bf08-210b-48fa-a899-6c603259a280 (дата обращения: 01.04.2025)
19. Friedman J.H. Greedy function approximation: a gradient boosting machine // Annals of statistics. 2001. No. 29(5). Pp. 1189-1232. doi: 10.1214/aos/1013203451
20. Feurer M., Hutter F. Hyperparameter optimization // In Automated Machine Learning. The Springer Series on Challenges in Machine Learning. Springer, Cham. 2019. Pp. 3-30. doi: 10.1007/978-3-030-05318-5_1
21. Ward method of hierarchical clustering for non-Euclidean similarity measures / S. Miyamoto, R. Abe, Y. Endo, J.-I. Takeshita // 7th International Conference of Soft Computing and Pattern Recognition (SoCPaR). IEEE, 2015. Pp. 60-63. doi: 10.1109/SOCPAR.2015.7492784
22. Sakoe H., Chiba S. Dynamic programming algorithm optimization for spoken word recognition // IEEE transactions on acoustics, speech, and signal processing. 1978. No. 26(1). Pp. 43-49. doi: 10.1109/TASSP.1978.1163055
23. Evaluation metrics for wind power forecasts: A comprehensive review and statistical analysis of errors / P. Piotrowski, I. Rutyna, D. Baczyński, M. Kopyt // Energies. 2022. No. 15(24). 9657. doi: 10.3390/en15249657
24. The Selection of Machine Learnin Model and Its Hyperparameters Using Bayesian Optimization for Short-Term Wind Power Forecasting / D.A. Snegirev, V.O. Samoylenko, A.V. Pazderin, P.I. Bartolomey // Belarusian-Ural-Siberian Smart Energy Conference (BUSSEC). IEEE, 2023. Pp. 18-23. doi: 10.1109/BUSSEC59406.2023.10296274
25. Short-Term Wind Power Forecasting Based on Gaussian Process Regression / D.A. Snegirev, A.V. Pazderin, V.O. Samoylenko, A.S. Berdin // 6th International Scientific and Technical Conference on Relay Protection and Automation (RPA). IEEE, 2023. Pp. 1-13. doi: 10.1109/RPA59835.2023.10319865
Идентификация выбросов на характеристиках мощности для повышения эффективности краткосрочного прогнозирования генерации ветроэлектростанций / Д.А. Снегирев, А.В. Паздерин, В.О. Самойленко, П.И. Бартоломей // Электротехнические системы и комплексы. 2025. № 2(67). С. 25-34. https://doi.org/10.18503/2311-8318-2025-2(67)-25-34