Аннотация
Виртуальные электростанции стали революционной концепцией как в ИТ-секторе, так и в энергетике, особенно в контексте интеграции интеллектуальных сетей и возобновляемых источников энергии. Данные комплексы объединяют распределенные энергетические ресурсы, такие как солнечные панели, ветряные турбины, аккумуляторные батареи и системы ценозависимого потребления, что позволяет им функционировать как единая скоординированная система. Механизмы сбора, передачи и обра-ботки данных об режимах работы виртуальных электрических станций являются ключевыми компонентами для их эффективного управления и планирования. Они обеспечивают мониторинг, анализ и управление распределенными энергоресурсами в реальном времени. Такой принцип работы позволяет виртуальным электрическим станциям участвовать в рынках электроэнергии, предоставлять дополнительные услуги и повышать устойчивость энергосистем. Целью данной статьи является проведение систематизированного анализа современных методов хранения, обработки и прогнозирования данных в контексте виртуальных электрических станций, включая оценку их эффективности, ограничений и возможности применимости в условиях динамично развивающихся энергосистем. Особое внимание уделяется методам машинного обучения и оптимизационным алгоритмам, которые обеспечивают возможность не только эффективного мониторинга, но и предсказания будущих нагрузок и динамики возобновляемых источников. Рассматриваются современные решения по хранению данных, производится оценка их преимуществ и ограничений. Также рассмотрены работы с описанием ключевых аспектов виртуальных электростанций, включая их архитектуру данных, системы связи и передачи информации, методы оптимизации и их рыночную интеграцию, в контексте оперативного принятия решений и обеспечения высокой устойчивости энергосистем. Оценка методов включает как теоретические аспекты, так и практические примеры применения этих технологий в рамках исследований повышения эффективности и надежности современных виртуальных электрических станций. На основе проведенного обзора сформулированы перспективные направления дальнейших исследований, включая разработку гибридных методов прогнозирования и совершенствование механизмов обработки гетерогенных данных в реальном времени.
Ключевые слова
виртуальные электрические станции, обработка данных, хранение данных, прогнозирование, машинное обучение, распределённые энергоресурсы, «умные сети»
1. Data-driven energy management of virtual power plants: A review / G. Ruan, D. Qiu, S. Sivaranjani, A.S. Awad, G. Strbac // Advances in Applied Energy. 2024. Vol. 14. 100170. doi: doi: 10.1016/j.adapen.2024.100170
2. A Virtual Power Plant Solution for Aggregating Photovoltaic Systems and Other Distributed Energy Resources for North-ern European Primary Frequency Reserves / R. Subramanya, M. Yli-Ojanperä, S. Sierla, T. Hölttä, J. Valtakari, V. Vyatkin // Energies. 2021. No. 14(5). 1242. doi: 10.3390/en14051242
3. Kim M., Choi J., Yoon J. Development of the Big Data Management System on National Virtual Power Plant // 2015 10th International Conference on P2P, Parallel, Grid, Cloud and Internet Computing (3PGCIC). IEEE, 2015. Pp. 100-107. doi: 10.1109/3PGCIC.2015.101
4. Performing energy modelling exercises in a transparent way - The issue of data quality in power plant databases / F. Got-zens, H. Heinrichs, J. Horsch, F. Hofmann // Energy Strategy Reviews. 2019. No. 23. Pp. 1-12. doi: 10.1016/j.esr.2018.11.004
5. Fischer U. Forecasting in database systems. Gesellschaft fur Informatik eV, 2015. Pp. 483-492. URL: https://btw-2015.informatik.uni-hamburg.de/res/proceedings/Hauptband/Disspreis/BTW2015_UlrikeFischer.pdf (дата обращения 25.08.2025)
6. Oko-Odion C. Forecasting Techniques in Predictive Analytics: Leveraging Database Management for Scalability and Real-Time Insights // International Journal of Research Publication and Reviews. 2024. Vol. 5. No. 12. Pp. 1400-1414. URL: https://ijrpr.com/uploads/V5ISSUE12/IJRPR36212.pdf (дата обращения 25.08.2025)
7. Query-based Workload Forecasting for Self-Driving Data-base Management Systems / L. Ma, D.V. Aken, A. Hefny, G. Mezerhane, A. Pavlo, G.J. Gordon // SIGMOD/PODS '18: International Conference on Management of Data. Houston TX USA: ACM, 2018. Pp. 631-645. doi: 10.1145/3183713.3196908
8. Towards Integrated Data Analytics: Time Series Forecasting in DBMS / U. Fischer, L. Dannecker, L. Siksnys, F. Rosen-thal, M. Boehm, W. Lehner // Datenbank-Spektrum. 2013. Vol. 13. Pp. 45-53. doi: 10.1007/s13222-012-0108-4
9. Doring L., Grumbach F., Reusch P. Optimizing Sales Fore-casts through Automated Integration of Market Indicators. 2024. URL: https://arxiv.org/pdf/2406.07564 (дата обраще-ния 25.08.2025)
10. A distributed event-triggered algorithm for constrained eco-nomic dispatch problem via virtual communication / Y. Wu, X. Wang, L. Yan, X. He, H. Dai // International Journal of Electrical Power & Energy Systems. 2024. Vol. 155. 109501. doi: 10.1016/j.ijepes.2023.109501
11. Chen G., Li J. A fully distributed ADMM-based dispatch approach for virtual power plant problems // Applied Math-ematical Modelling. 2018. Vol. 58. Pp. 300-312. doi: 10.1016/j.apm.2017.06.010
12. Distributed optimal scheduling for virtual power plant with high penetration of renewable energy / J. Li, H. Mo, Q. Sun, W. Wei, K. Yin // International Journal of Electrical Power & Energy Systems. 2024. Vol. 160. 110103. doi: 10.1016/j.ijepes.2024.110103
13. Pandey A.K., Jadoun V.K., Sabhahit J.N. Scheduling and assessment of multi-area virtual power plant including flexible resources using swarm intelligence technique // Electric Power Systems Research. 2025. Vol. 238. 111139. doi: 10.1016/j.epsr.2024.111139
14. Elgamal A.H., Shahrestani M., Vahdati M. Simultaneous sizing and energy management of multi-energy Virtual Power Plants operating in regulated energy markets // International Journal of Electrical Power & Energy Systems. 2024. Vol. 161. 110171. doi: 10.1016/j.ijepes.2024.110171
15. Farahbakhsh H., Pourfar I., Ara A.L. Virtual power plant operation using an improved meta-heuristic optimization al-gorithm considering uncertainties // Journal of Operation and Automation in Power Engineering. 2024. No. 12(4). Pp. 312-325. doi: 10.22098/joape.2023.11310.1844
16. Hu S., Chen Y., Feng J. A flexible interactive coordination control method of commercial virtual power plant based on WCVAR // International Journal of Electrical Power & En-ergy Systems. 2024. Vol. 160. 110128. doi: 10.1016/j.ijepes.2024.110128
17. Song C., Jing X. Bidding strategy for virtual power plants with the day-ahead and balancing markets using distributionally robust optimization approach // Energy Reports. 2023. No. 9(3). Pp. 637-644. doi: 10.1016/j.egyr.2023.01.065
18. Multi-level market joint dispatch strategy for multi-energy virtual power plant considering uncertainty and refined de-mand response / L. Qixing, L. Nan, L. Xianzhuo, Z. Zhe, L. Lichao, Z. Bo // Energy Reports. 2024. Vol. 11. Pp. 2077-2089. doi: 10.1016/j.egyr.2024.01.072
19. Optimal Participation of Heterogeneous, RES-based Virtual Power Plants in Energy Markets / O. Oladimeji, A. Ortega, L. Sigrist, L. Rouco, P. Sanchez-Martin, E. Lobato // Ener-gies. 2022. 15(9). 3207. doi: 10.3390/en15093207
20. Taheri S.I., Davoodi M., Ali M.H. A modified modeling approach of virtual power plant via improved federated learning // International Journal of Electrical Power & Energy Systems. 2024. Vol. 158. 109905. doi: 10.1016/j.ijepes.2024.109905
21. GRU-integrated constrained soft actor-critic learning enabled fully distributed scheduling strategy for residential virtual power plant / X. Deng, Y. Chen, D. Fan, Y. Liu, C. Ma // Global Energy Interconnection. 2024. No. 7(2). Pp. 117-129. doi: 10.1016/j.gloei.2024.04.001
22. Probabilistic forecasts of wind power generation in regions with complex topography using deep learning methods: An Arctic case / O.F. Eikeland, F.D. Hovem, T.E. Olsen, M. Chiesa, F.M. Bianchi // Energy Conversion and Man-agement: X. 2022. Vol. 15. 100239. doi: 10.1016/j.ecmx.2022.100239
23. Probabilistic prediction-based multi-objective optimization approach for multi-energy virtual power plant / G. Li, R. Zhang, S. Bu, J. Zhang, J. Gao // International Journal of Electrical Power & Energy Systems. 2024. Vol. 161. 110200. doi: 10.1016/j.ijepes.2024.110200
24. Real-time scheduling of power grid digital twin tasks in cloud via deep reinforcement learning / D. Qi, X. Xi, Y. Tang, Y. Zheng, Z. Guo // Journal of Cloud Computing. 2024. No. 13. 121. doi: 10.1186/s13677-024-00683-z
25. Maldonato F., Hadachi I. Reinforcement Learning control strategies for Electric Vehicles and Renewable energy sources Virtual Power Plants // Engineering, Environmental Science, Computer Science. 2024. 269587652. doi: 10.48550/ARXIV.2405.01889
26. Supporting virtual power plants decision-making in complex urban environments using reinforcement learning / C. Liu, R.J. Yang, X. Yu, C. Sun, G. Rosengarten, A. Liebman, R. Wakefield, P.S. Wong, K. Wang // Sustainable Cities and Society. 2023. Vol. 99. 104915. doi: 10.1016/j.scs.2023.104915
27. Two-stage distributionally robust optimal operation of rural virtual power plants considering multi correlated uncertainties / S. Wu, Y. Wang, L. Liu, Z. Yang, Q. Cao, H. He, Y. Cao // International Journal of Electrical Power & Energy Systems. 2024. Vol. 161. 110173. doi: 10.1016/j.ijepes.2024.110173
28. Data-Driven Network Latency Processing for Auxiliary Ser-vices in Virtual Power Plant / C. Liu, J. Tao, Y. Liu, X. Wang, W. Peng // Electronics. 2023. No. 12(20). 4276. doi: 10.3390/electronics12204276
29. A Case Study of a Virtual Power Plant (VPP) as a Data Ac-quisition Tool for PV Energy Forecasting / T. Popławski, S. Dudzik, P. Szeląg, J. Baran // Energies. 2021. No. 14(19). Pp. 6200. doi: 10.3390/en14196200
30. Cui S., Shanbhag U.V., Staudigl M. A regularized variance-reduced modified extragradient method for stochastic hierar-chical games // Journal of Optimization Theory and Applica-tions. 2025. Vol. 2026. 11. doi: 10.1007/s10957-025-02683-8
31. Optimal dispatch strategy of virtual power plants using po-tential game theory / W. Liu, H. Xu, X. Wang, S. Zhang, T. Hu // Energy Reports. 2022. No. 8(13). Pp. 1069-1079. doi: 10.1016/j.egyr.2022.08.148
32. Multi-criteria optimization of an energy storage system within a Virtual Power Plant architecture / P. Lombardi, M. Stotzer, Z. Styczynski, A. Orths // 2011 IEEE Power & Energy Society General Meeting. IEEE, 2011. Pp. 1-6. doi: 10.1109/PES.2011.6039347
33. Multi-objective Interval Optimization of Virtual Power Plant Considering the Uncertainty of Source and Load / S. Han, L. Sun, X. Guo, J. Lu // E3S Web of Conferences. 2021. No. 299. 01011. doi: 10.1051/e3sconf/202129901011
34. Coordinated multi‐objective scheduling of a multi‐energy virtual power plant considering storages and demand response / F.G. Olanlari, T. Amraee, M. Moradi‐Sepahvand, A. Ahmadian // IET Generation, Transmission & Distribution. 2022. No. 16(17). Pp. 3539-3562. doi: 10.1049/gtd2.12543
35. Chance Constrained Optimal Power Flow with Curtailment and Reserves from Wind Power Plants / L. Roald, S. Misra, M. Chertkov, S. Backhaus, G. Andersson. 2016. URL: https://www.researchgate.net/publication/291229643_Chance_Constrained_Optimal_Power_Flow_with_Curtailment_and_Reserves_from_Wind_Power_Plants (дата обращения 25.08.2025)
36. Fast frequency regulation of virtual power plants via Droop Reset Integral Control (DRIC) / V. Shenoy, P. Serna-Torre, D. Schoenwald, P. Hidalgo-Gonzalez, J.I. Poveda // Electric Power Systems Research. 2024. Vol. 235. Pp. 110762. doi: 10.1016/j.epsr.2024.110762
37. Zaheer M.H. Effects of Renewable Energy Sources on Day-Ahead Electricity Markets. 2021. URL: https://ui.adsabs.harvard.edu/abs/2021arXiv210205730H/abstract (дата обращения 25.08.2025)
38. Shumway R.H., Stoffer D.S. ARIMA Models. In: Time Se-ries Analysis and Its Applications. Springer, 2017. doi: 10.1007/978-3-319-52452-8_3
39. LSTM: A Search Space Odyssey / K. Greff, R.K. Srivastava, J. Koutnik, B.R. Steunebrink, J. Schmidhuber // IEEE Transactions on Neural Networks and Learning Systems. 2017. No. 28(10). С. 2222-2232. doi: 10.1109/TNNLS.2016.2582924
40. Elamin N., Fukushige M. Modeling and forecasting hourly electricity demand by SARIMAX with interactions // Energy. 2018. Vol. 165 (B). Pp. 257-268. doi: 10.1016/j.energy.2018.09.157
Беззубов А.А., Сенюк М.Д., Аксенов К.А. Обзор мето-дов хранения, обработки и прогнозирования данных, применимых в контексте виртуальных электрических станций // Электротехнические системы и комплексы. 2025. № 3(68). С. 56-66. https://doi.org/10.18503/2311-8318-2025-3(68)-56-66