energyЭнергетика. Известия высших учебных заведений и энергетических объединений СНГENERGETIKA. Proceedings of CIS higher education institutions and power engineering associations1029-74482414-0341BNTU10.21122/1029-7448-2024-67-5-411-424energy-2410Research ArticleЭЛЕКТРОЭНЕРГЕТИКАELECTRICAL POWER ENGINEERINGПрогнозирование коэффициента использования установленной мощности для объектов генерации на базе возобновляемых источников энергии для децентрализованных электроэнергетических системCapacity Factor Forecasting for Generation Facilities Based on Renewable Energy Sources in Decentralized Power SystemsБраммА. М.BrammA. M.

г. Екатеринбург

Ekaterinburg

МатренинП. В.MatreninP. V.

г. Екатеринбург

Ekaterinburg

ПопковаН. А.PapkovaN. A.

Минск

Minsk

СекацкийД. А.SekatskiD. A.

Адрес для переписки:Секацкий Дмитрий Александрович -Белорусский национальный технический университет, просп. Независимости, 65/2,220013, г. Минск, Республика Беларусь.Тел.: +375 17 292-65-82dsekatski@gmail.com

Address for correspondence:Sekatski Dzmitry A. _Belаrusian National Technical University,65/2, Nezavisimosty Ave.,220013, Minsk, Republic of Belarus.Tel.: +375 17 292-65-82dsekatski@gmail.com

dsekatski@gmail.comУральский федеральный университет имени первого Президента России Б. Н. ЕльцинаРоссияUral Federal University named after the first President of Russia B. N. YeltsinRussian FederationБелорусский национальный технический университетБеларусьBelarusian National Technical UniversityBelarus202411102024675411424Copyright © Брамм А.М., Матренин П.В., Попкова Н.А., Секацкий Д.А., 20242024Брамм А.М., Матренин П.В., Попкова Н.А., Секацкий Д.А.Bramm A.M., Matrenin P.V., Papkova N.A., Sekatski D.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://energy.bntu.by/jour/article/view/2410

Одним из направлений развития электроэнергетики является децентрализация, направленная на повышение надежности энергоснабжения, снижение потерь при передаче электрической энергии и обеспечение энергетической независимости потребителей. Моделирование децентрализованных электроэнергетических систем, включающих объекты распределенной генерации, возможно с помощью мультиагентных систем, которые позволяют решать задачи планирования и управления с учетом потребностей каждого участника процесса производства, передачи, распределения и потребления электроэнергии. Развитие распределенной генерации с использованием мультиагентного подхода требует создания моделей оценки технико-экономической эффективности решений, принимаемых каждым агентом, как на стратегическом, так и на тактическом уровне. К стратегическим решениям агентов, связанных с распределенной генерацией, относится в том числе создание энергетических установок и электрических станций на базе возобновляемых источников энергии. Важным фактором для принятия таких решений является оценка коэффициента использования установленной мощности, однако в настоящее время отсутствуют модели, позволяющие выполнить такую оценку с высокой достоверностью. В данной работе предложены новые алгоритм оценки коэффициента установленной мощности для всей территории определенной административной единицы и модель его прогнозирования на основе климатических и географических параметров. Исследование проведено на выборке данных 221 объекта генерации (солнечные и ветровые электрические станции) четырех областей Российской Федерации. Определено, что коэффициент использования установленной мощности может быть спрогнозирован со средней ошибкой в пределах 4 % для фотоэлектрических станций и 9 % для ветровых, что позволяет использовать разработанные алгоритм и модель как в системах поддержки принятия решений при выборе места размещения указанных видов электрических станций, так и в системах, моделирующих развитие электроэнергетических систем с помощью мультиагентного подхода.

One of the directions of development of the electric power industry is decentralization, aimed at improving the reliability of energy supply, reducing losses during transmission of electric energy and ensuring energy independence of consumers. It is possible to simulate decentralized power systems, including distributed generation facilities, by implementation of multi-agent systems that allow solving design and control problems taking into account the needs of each participant in the process of production, transmission, distribution and consumption of electricity. The development of distributed generation using a multi-agent approach requires the creation of models for assessing the technical and economic efficiency of decisions made by each agent, both at the strategic and tactical levels. The strategic decisions of agents related to distributed generation include, among other things, the creation of power facilities and power plants based on renewable energy sources. An important factor for making such decisions is the estimation of the capacity factor. However, currently there are no models for its estimation with high reliability. The present paper proposes a new algorithm for estimating the capacity factor for the entire territory of a certain administrative unit and a model for its forecasting based on climatic and geographical parameters. The study was conducted on a data sample of 221 generation facilities (solar and wind power plants) in four oblasts (regions) of the Russian Federation. It has been determined that the capacity factor can be forecasted with a mean error within 4 % for photovoltaic power plants and 9 % for wind power plants. Therefore, it is possible to use the developed algorithm and model both in decision support systems when choosing the location of this types of power plants, and in systems that model the development of power systems using a multi-agent approach.

распределенная генерациякоэффициент использования установленной мощностифотоэлектрическая станцияветровая электрическая станциямультиагентная системаdistributed generationcapacity factorphotovoltaic power stationwind power stationmulti-agent systemИсследование выполнено в рамках государственного задания при финансовой поддержке Министерства науки и высшего образования Российской Федерации (проект № ФЭУЗ-2022-0030 «Разработка интеллектуальной мультиагентной системы моделирования глубоко интегрированных технологических систем в энергетике).ReferencesDevices and Control Strategies for Voltage Regulation under Influence of Photovoltaic Distributed Generation. A review / L. F. Leon [et al.] // IEEE Lat. Am. Trans. 2022. Vol. 20, Nо 5. P. 731–745. https://doi.org/10.1109/TLA.2022.9693557Leon L. F., Martinez M., Ontiveros L. J., Mercado P. E. (2022) Devices and Control Strategies for Voltage Regulation under Influence of Photovoltaic Distributed Generation. A Review. IEEE Latin America Transactions, 20, 731–745. https://doi.org/10.1109/TLA.2022.9693557.Grey Wolf Optimizer for RES Capacity Factor Maximization at the Placement Planning Stage / A. M. Bramm [et al.] // Mathematics. 2023. Vol. 11, Nо 11. P. 2545. https://doi.org/10.3390/math11112545.Bramm A. M., Eroshenko S. A., Khalyasmaa A. I., Matrenin P. V. (2023) Grey Wolf Optimizer for RES Capacity Factor Maximization at the Placement Planning Stage. Mathematics, 11 (11), 2545 https://doi.org/10.3390/math11112545.Functional Assessment System of Solar Power Plant Energy Production / D. A. Snegirev [et al.] // Proc. Int. Conf. on Energy and Environment: Energy Saved Today is Asset for Future (CIEM). 2017, P. 349–353. https://doi.org/10.1109/CIEM.2017.8120862.Snegirev D. A., Valiev R. T., Eroshenko S. A., Khalyasmaa A. I. (2017) Functional Assessment System of Solar Power Plant Energy Production. International Conference on ENERGY and ENVIRONMENT (CIEM), 349–353. https://doi.org/10.1109/CIEM.2017.8120862.Eroshenko, S. A. Intelligent Model of Decision Support System of Distributed Generation Integration / S. A. Eroshenko, A. I. Khalyasmaa // Proc. Int. Conf. on Software Engineering and Service Sciences (ICSESS). 2017. P. 79–82. https://doi.org/10.1109/ICSESS.2017.8342868.Eroshenko S. A., Khalyasmaa A. I. (2017) Intelligent Model of Decision Support System of Distributed Generation Integration. 8th IEEE International Conference on Software Engineering and Service Science (ICSESS), 79–82. https://doi.org/10.1109/ICSESS.2017.8342868.Ерошенко, С. А. Краткосрочное прогнозирование и планирование режимов фотоэлектрических электростанций: дис. … канд. техн. наук: 05.14.02 / С. А. Ерошенко. Новосибирск, 2020. 212 л.Eroshenko S. A. (2020) Short-Term Forecasting and Planning of Modes of Photovoltaic Power Plants [dissertation]. Novosibirsk, 2020. 212 (in Russian).Ghosh, S. Optimal Sizing and Placement of Distributed Generation in a Network System / S. Ghosh, S. P. Ghoshal, S. Ghosh // Int. Journal of Electrical Power Energy Systems. 2010. Vol. 32, Nо 8. P. 849–856. https://doi.org/10.1016/j.ijepes.2010.01.029.Ghosh S., Ghoshal S. P., Ghosh S. (2010) Optimal Sizing and Placement of Distributed Generation in a network system. International Journal of Electrical Power & Energy Systems. 32 (8), 849–856. https://doi.org/10.1016/j.ijepes.2010.01.029.Mashhour, M. Optimal Sizing and Siting of Distributed Generation in Radial Distribution Network: Comparison of Unidirectional and Bidirectional Power Flow Scenario / M. Mashhour, M. A. Golkar, S. Tafreshi // Proc. Int. Conf. IEEE Bucharest PowerTech. 2009. P. 1–6. https://doi.org/10.1109/PTC.2009.5281948.Mashhour M., Golkar M. A., Tafreshi S. (2009) Optimal Sizing and Siting of Distributed Generation in Radial Distribution Network: Comparison of Unidirectional and Bidirectional Power Flow Scenario. 2009 IEEE Bucharest PowerTech, 1–6. https://doi.org/10.1109/PTC.2009.5281948.Тарасенко, В. В. Генетический алгоритм выбора распределенной генерации / В. В. Тарасенко // Вестник Южно-Уральского государственного университета. Сер. Энергетика. 2010. T. 14, Nо 190. С. 15–19.Tarasenko V. V. (2010) Management of Power Supplies of Fixtures with Use of Methods of Fuzzy Logic. Vestnik Yuzhno-Ural'skogo gosudarstvennogo universiteta. Ser. Energetika = Bulletin of the South Ural State University series “Power Engineering”, 14 (190), 15–19 (in Russian).Celli, G. A Multiobjective Evolutionary Algorithm for the Sizing and Siting of Distri-buted Generation / G. Celli, E. Ghiani, S. Mocci // IEEE Transactions on Power Systems. 2005. Vol. 20. P. 750–757. https://doi.org/10.1109/tpwrs.2005.846219.Celli G., Ghiani E., Mocci S. A (2005) Multiobjective Evolutionary Algorithm for the Sizing and Siting of Distributed Generation. IEEE Transactions on Power Systems, 20, 750–757. https://doi.org/10.1109/tpwrs.2005.846219.Agent-Based Coordinated Operation Strategy for Active Distribution Network With Distributed Energy Resources / S. Hu [et al.] // IEEE Transactions on Industry Applications. 2019. Vol. 55, No 4. P. 3310–3320. https://doi.org/10.1109/TIA.2019.2902110.Hu S. (2019) Agent-Based Coordinated Operation Strategy for Active Distribution Network With Distributed Energy Resources. IEEE Transactions on Industry Applications, 55 (4), 3310–3320. https://doi.org/10.1109/TIA.2019.2902110.Интеллектуальные мультиагентные системы в электроэнергетике: монография / А. И. Хальясмаа [и др.]. Новосибирск: Изд-во НГТУ, 2023. 222 с.Khalyasmaa A. I., Eroshenko S. A., Umanova I. F., Stepanova A. I., Matrenin P. V. (2023) Intelligent Multiagent Systems in Power Industry. Novosibirsk, NSTU. 222 (in Russian).Khalyasmaa, A. I. Prospects for the Use of Intelligent Multi-agent Models for the Control of Objects of Deeply Integrated Power Systems / A. I. Khalyasmaa, S. A. Eroshenko, M. V. Mazunina // Proc. Int. Conf. on Engineering, Computer and Information Sciences (SIBIRCON). 2022. P. 730–733. https://doi.org/10.1109/SIBIRCON56155.2022.10016945.Khalyasmaa A. I., Eroshenko S. A., Mazunina M. V. (2022) Prospects for the Use of Intelligent Multi-agent Models for the Control of Objects of Deeply Integrated Power Systems. IEEE International Multi-Conference on Engineering, Computer and Information Sciences (SIBIRCON), 730–733. https://doi.org/10.1109/SIBIRCON56155.2022.10016945.Yu, J. MAS-Based Energy Management Strategies for a Hybrid Energy Generation System / J. Yu, C. Dou, X. Li // IEEE Transactions on Industrial Electronics. 2016. Vol. 63, No 6. P. 3756–3764. https://doi.org/10.1109/TIE.2016.2524411.Yu J., Dou C., Li X. (2016) MAS-Based Energy Management Strategies for a Hybrid Energy Generation System. IEEE Transactions on Industrial Electronics, 63 (6), 3756–3764. https://doi.org/10.1109/TIE.2016.2524411.Critical Review of Data, Models and Performance Metrics for Wind and Solar Power Fore-cast / V. Prema [et al.] // IEEE Access. 2022. Vol. 10. P. 667–688. https://doi.org/10.1109/ACCESS.2021.3137419.Prema V., Bhaskar M. S., Almakhles D., Gowtham N., Rao K. U. (2022) Critical Review of Data, Models and Performance Metrics for Wind and Solar Power Forecast. IEEE Access, 10, 667–688. https://doi.org/10.1109/access.2021.3137419.Energy Forecasting: A Review and Outlook / T. Hong [et al.] // IEEE Open Access Journal of Power and Energy. 2020. Vol. 7. P. 376–388. https://doi.org/10.1109/OAJPE.2020.3029979.Hong T., Pinson P., Wang Y., Weron R., Yang D., Zareipour H. (2020) Energy Forecasting: A Review and Outlook. IEEE Open Access Journal of Power and Energy, 7, 376–388. https://doi.org/10.1109/OAJPE.2020.3029979.Повышение точности прогнозирования генерации фотоэлектрических станций на основе алгоритмов k-средних и k-ближайших соседей / П. B. Матренин [и др.] // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2023. Т. 66, № 4. С. 305–321. https://doi.org/10.21122/1029-7448-2023-66-4-305-321.Matrenin P. V., Khalyasmaa A. I., Gamaley V. V., Eroshenko S. A., Papkova N. A., Sekatski D. A., Potachits Y. V. (2023) Improving of the Generation Accuracy Forecasting of Photovoltaic Plants Based on k-Means and k-Nearest Neighbors Algorithms. Energetika. Izvestiya Vysshikh Uchebnykh Zavedenii i Energeticheskikh Ob’edinenii SNG = Energetika. Proceedings of CIS Higher Education Institutions and Power Engineering Associations, 66 (4), 305–321. https://doi.org/10.21122/1029-7448-2023-66-4-305-321 (in Russian).Mutavhatsindi, T. Forecasting Hourly Global Horizontal Solar Irradiance in South Africa Using Machine Learning Models / T. Mutavhatsindi, C. Sigauke, R. Mbuvha // IEEE Access. 2020. Vol. 8. P. 198872–198885. https://doi.org/10.1109/access.2020.3034690.Mutavhatsindi T., Sigauke C., Mbuvha R. (2020) Forecasting Hourly Global Horizontal Solar Irradiance in South Africa Using Machine Learning Models. IEEE Access, 8, 198872–198885. https://doi.org/10.1109/access.2020.3034690.Lipu, M. S. H. Artificial Intelligence Based Hybrid Forecasting Approaches for Wind Power Generation: Progress, Challenges and Prospects / M. S. H. Lipu // IEEE Access. 2021. Vol. 9. P. 102460–102489. https://doi.org/10.1109/ACCESS.2021.3097102.Lipu M. S. H. (2021) Artificial Intelligence Based Hybrid Forecasting Approaches for Wind Power Generation: Progress, Challenges and Prospects. IEEE Access, 9, 102460–102489. https://doi.org/10.1109/ACCESS.2021.3097102.Оперативное прогнозирование скорости ветра для автономной энергетической установки тяговой железнодорожной подстанции / П. B. Матренин [и др.] // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2023. Т. 66, № 1. С. 18–29. https://doi.org/10.21122/1029-7448-2023-66-1-18-29.Matrenin P. V., Khalyasmaa A. I., Rusina A. G., Eroshenko S. A., Papkova N. A., Sekatski D. A. (2023) Operational Forecasting of Wind Speed for an Self-Contained Power Assembly of a Traction Substation. Energetika. Izvestiya Vysshikh Uchebnykh Zavedenii i Energeti-cheskikh Ob’edinenii SNG = Energetika. Proceedings of CIS Higher Education Institutions and Power Engineering Associations, 66 (1), 18–29. https://doi.org/10.21122/1029-7448-2023-66-1-18-29 (in Russian).Buhan, S. A Scalable River Flow Forecast and Basin Optimization System for Hydropower Plants / S. Buhan // IEEE Transactions on Sustainable Energy. 2019. Vol. 11, No 4. P. 2220–2229. https://doi.org/10.1109/TSTE.2019.2952450.Buhan S. (2019) A Scalable River Flow Forecast and Basin Optimization System for Hydropower Plants. IEEE Transactions on Sustainable Energy, 11 (4), 2220–2229. https://doi.org/10.1109/TSTE.2019.2952450.Correlated Time-Series in Multi-Day-Ahead Streamflow Forecasting Using Convolutional Networks / F. O. Barino [et al.] // IEEE Access. 2020. Vol. 8. P. 215748–215757. https://doi.org/10.1109/ACCESS.2020.3040942.Barino F. O., Silva V. N. H., López-Barbero A. P., De Mello Honório L., Santos A. B. D. (2020) Correlated Time-Series in Multi-Day-Ahead Streamflow Forecasting Using Convolutional Networks. IEEE Access, 8, 215748–215757. https://doi.org/10.1109/ACCESS.2020.3040942.Возобновляемые источники энергии [Электронный ресурс] // Ассоциация «НП Совет рынка». Режим доступа: https://www.np-sr.ru/ru/market/vie/index.htm. Дата доступа: 24.05.2024.Renewable Energy Sources. NPSR Association Available at: https://www.np-sr.ru/ru/market/vie/index.html (accessed 24 May 2024) (in Russian).POWER Hourly API [Electronic Resource]. Mode of access: https://power.larc.nasa.gov/api/pages/ (accessed 24 May 2024).POWER Hourly API. Available at: https://power.larc.nasa.gov/api/pages/ (accessed 24 May 2024).Prediction of Solar Power Generation Based on Random Forest Regressor Model / A. I. Khalyasmaa [et al.] // Proc. Int. Conf. on Engineering, Computer and Information Sciences. 2019. P. 780–785. https://doi.org/10.1109/SIBIRCON48586.2019.8958063.Khalyasmaa A. I., Eroshenko S. A., Chakravarthy T. P., Atluri S. K. R., Karrolla S. (2019) Prediction of Solar Power Generation Based on Random Forest Regressor Model. 2019 International Multi-Conference on Engineering, Computer and Information Sciences (SIBIRCON), 780–785. https://doi.org/10.1109/SIBIRCON48586.2019.8958063.Short-Term Load Forecasting Based on Optimized Random Forest and Optimal Feature Selection / B. Magalhães [et al.] // Energies. 2024. Vol. 17, Nо 8. P. 1926. https://doi.org/10.3390/en17081926.Magalhães B., Bento P., Pombo J., Calado M. D. R., Mariano S. (2024) Short-Term Load Forecasting Based on Optimized Random Forest and Optimal Feature Selection. Energies. 17 (8), 1926. https://doi.org/10.3390/en17081926.RandomForestRegressor [Electronic Resource]. Mode of access: https://sci kit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestRegressor.html (accessed 24 May 2024).RandomForestRegressor. Available at: https://scikit-learn.org/stable/modules/generated/sklearn.ensemble. RandomForestRegressor.html (accessed 24 May 2024).

The authors declare that there are no conflicts of interest present.