Оперативное прогнозирование скорости ветра для автономной энергетической установки тяговой железнодорожной подстанции

В настоящее время рассматриваются перспективы создания гибридных энергетических установок с использованием возобновляемых источников энергии, в том числе энергии ветра, и систем накопления энергии на базе технологий водородной энергетики. Для управления такой системой накопления энергии необходимо оперативное прогнозирование генерации от возобновляемых источников, в частности ветровых энергетических установок. Их выработка зависит от скорости и направления ветра. В статье представлены результаты решения задачи оперативного прогнозирования скорости ветра для проекта гибридной энергетической установки, направленной на повышение пропускной способности железнодорожного участка между станциями Яя и Ижморская (Кемеровская область Российской Федерации). Проанализированы почасовые данные скоростей и направлений ветра за 15 лет, построена нейросетевая модель и предложена компактная архитектура многослойного перцептрона для краткосрочного прогнозирования скорости и направления ветра на 1 и 6 ч вперед. Разработанная модель позволяет минимизировать риски переобучения и потери точности прогнозирования из-за изменения условий работы модели со временем. Особенность данной статьи заключается в исследовании устойчивости модели, обученной на данных многолетних наблюдений, к долгосрочным изменениям, а также анализе возможностей повышения точности прогнозирования за счет регулярного дообучения модели на вновь поступающих данных. Установлен характер влияния размера обучающей выборки и самоадаптации модели на точность прогнозирования и устойчивость ее работы на горизонте в несколько лет. Показано, что для обеспечения высокой точности и устойчивости нейросетевой модели прогнозирования скорости ветра необходимы данные многолетних метеорологических наблюдений.

1. Power Electronic Transformer-Based Railway Traction Systems: Challenges and Opportunities / J. Feng [et al.] // IEEE Journal of Emerging and Selected Topics in Power Electronics. 2017. Vol. 5, Iss. 3. P. 1237–1253. https://doi.org/10.1109/JESTPE.2017.2685464.

2. Mitrofanov, S. V. Analysis of the Impact of Autonomous Hybrid Power Plants on the Railways Capacity / S. V. Mitrofanov, D. V. Armeev, E. A. Domahin // XV International ScientificTechnical Conference on Actual Problems Of Electronic Instrument Engineering (APEIE). 2021. P. 161–165. https://doi.org/10.1109/APEIE52976.2021.9647596.

3. Energetic Simulation of DC Railway Micro-Grid Interconnecting with PV Solar Panels, EV Charger Infrastructures and Electrical Railway Network / J. Pouget [et al.] // IEEE Vehicle Power and Propulsion Conference (VPPC). 2020. P. 1–7. https://doi.org/10.1109/VPPC49601.2020.9330829.

4. Energy Management of a Smart Railway Station Considering Regenerative Braking and Stochastic Behaviour of ESS and PV Generation / İ. Şengör [et al.] // IEEE Transactions on Sustainable Energy. 2018. Vol. 9, Iss. 3. P. 1041–1050. https://doi.org/10.1109/TSTE.2017.2759105.

5. The Potential of Photovoltaics to Power the Railway System in China / L. Ji [et al.] // Energies. 2020. Vol. 13, Iss. 15. P. 3844. https://doi.org/10.3390/en13153844.

6. Mitrofanov, S. V. Stationary Hybrid Renewable Energy Systems for Railway Electrification: A Review / S. V. Mitrofanov, N. G. Kiryanova, A. M. Gorlova // Energies. 2021. Vol. 14, Iss. 18. P. 5946. https://doi.org/10.3390/en14185946.

7. Aguado, J. A. Optimal Operation of Electric Railways With Renewable Energy and Electric Storage Systems / J. A. Aguado, A. J. Sanchez Racero, S. de la Torre // IEEE Transactions on Smart Grid. 2018. Vol. 9, Iss. 2. P. 993–1001. https://doi.org/10.1109/TSG.2016.2574200.

8. Evaluation of the Influence of Electrified Railway on Wind Farm / F. Ding [et al.] // IEEE Transportation Electrification Conference and Expo, Asia-Pacific (ITEC Asia-Pacific). 2017. P. 1–6. https://doi.org/10.1109/ITEC-AP.2017.8080804.

9. Гринчик, Н. Н. Oб измерении электрического сопротивления жидких электролитов аккумуляторных батарей / Н. Н. Гринчик, К. В. Добрего, М. А. Чумаченко // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2018. Т. 61, № 6. С. 494–507. https://doi.org/10.21122/1029-7448-2018-61-6-494-507.

10. Добрего, К. B. Моделирование аккумуляторных батарей и их сборок с учетом деградации параметров / К. B. Добрего, Ю. В. Бладыко // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2021. Т. 64, № 1. С. 27–39. https://doi.org/10.21122/1029-7448-2021-64-1-27-39.

11. Стратегия научно-технологического развития холдинга «Российские железные дороги» на период до 2025 года и на перспективу до 2030 года (Белая книга) [Электронный ресурс] // Инновационный дайджест РЖД. М., 2018. Режим доступа: https://zszd.rzd.ru/api/media/resources/c/17/121/18071?action=download. Дата доступа: 21.03.2022.

12. Zhou, Q. Hybrid Forecasting System Based on an Optimal Model Selection Strategy for Different Wind Speed Forecasting Problems / Q. Zhou, C. Wang, G. Zhang // Applied Energy. 2019. Vol. 250. С. 1559–1580. https://doi.org/10.1016/j.apenergy.2019.05.016.

13. Матренин, П. В. Устойчивое краткосрочное прогнозирование скорости ветра с помощью адаптивных компактных нейронных сетей / П. В. Матренин, В. З. Манусов, Е. А. Игумнова // Problemele Energeticii Regionale. 2020. Nо 3. P. 69–80. https://doi.org/10.5281/zenodo.4018960.

14. Current Methods and Advances in Forecasting of Wind Power Generation / A. M. Foley [et al.] // Renewable Energy. 2012. Vol. 37, Iss. 1. P. 1–8. https://doi.org/10.1016/j.renene.2011.05.033.

15. Zhang, L. Wind Speed Forecasting Using a Two-Stage Forecasting System with an Error Correcting and Nonlinear Ensemble Strategy / L. Zhang, Y. Dong, J. Wang // IEEE Access. 2019. Vol. 7. P. 176000–176023. https://doi.org/10.1109/ACCESS.2019.2957174.

16. Оптимизация топологии сети с ВИЭ-генерацией на основе модифицированного адаптированного генетического алгоритма / А. М. Брамм [и др.] // Энергетика. Изв. высш. учеб. заведений и энерг. объединений СНГ. 2022. Т. 65, № 4. С. 341–354. https://doi.org/10.21122/1029-7448-2022-65-4-341-354.

17. Meteoblue, Weather Close to You [Electronic Resource]. Mode of access: https://www.meteoblue.com/en/weather. Date of access: 21.03.2022.

18. Adaptive Ensemble Models for Medium-Term Forecasting of Water Inflow When Planning Electricity Generation under Climate Change / P. Matrenin [et al.] // Energy Reports. 2022. Vol. 8. P. 439–447. https://doi.org/10.1016/j.egyr.2021.11.112.

19. Brownlee, J. A Gentle Introduction to the Rectified Linear Unit (ReLU) [Electronic Resource] / J. Brownlee // Machine Learning Mastery. 2019. Mode of access: https://machinelearningmastery.com/rectified-linear-activation-function-for-deep-learning-neural-networks/. Date of access: 08.04.2021.

20. Liu, Danqing. A Practical Guide to ReLU [Electronic Resource] / Danqing Liu // Medium. 2017. Mode of access: https://medium.com/@danqing/a-practical-guide-to-relu-b83ca804f1f7. Date of access: 08.04.2021.

21. Amini, M. H. ARIMA-Based Decoupled Time Series Forecasting of Electric Vehicle Charging Demand for Stochastic Power System Operation / M. H. Amini, A. Kargarian, O. Karabasoglu // Electric Power Systems Research. 2016. Vol. 140. P. 378–390. https://doi.org/10.1016/j.epsr.2016.06.003.