Повышение точности прогнозирования генерации фотоэлектрических станций на основе алгоритмов k-средних и k-ближайших соседей

Возобновляемые источники энергии рассматриваются как средство снижения углеродного следа топливно-энергетического комплекса, при этом стохастический характер генерации осложняет их интеграцию с электроэнергетическими системами. Эта существенная трудность обусловливает необходимость создавать и совершенствовать методы прогнозирования генерации электрических станций, использующих энергию солнца, ветра и водных потоков. Наиболее важным направлением, обеспечивающим повышение точности прогнозных моделей, является глубокий анализ метеорологических условий как главного фактора, влияющего на выработку электроэнергии. В данной работе предложен и исследован метод адаптации прогнозных моделей под метеорологические условия работы фотоэлектрических станций на базе алгоритмов машинного обучения. При этом вначале выполняется обучение без учителя методом k-средних для формирования кластеров. Для этой задачи также предложено и исследовано использование алгоритма понижения размерности пространства признаков для визуализации оценки точности кластеризации. Затем для каждого кластера построена своя модель машинного обучения для формирования прогнозов и алгоритм k-ближайших соседей для отнесения текущих условий на этапе эксплуатации модели к одному из сформированных кластеров. Исследование было проведено на почасовых метеорологических данных за период с 1985 по 2021 г. Одной из особенностей этого подхода является кластеризация метеоусловий на часовых, а не суточных интервалах. В результате средний модуль относительной ошибки прогнозирования существенно снижается в зависимости от используемой модели прогнозирования. Для наилучшего варианта ошибка прогнозирования генерации фотоэлектрической станции на час вперед составила 9 %.

1. El hendouzi, A. Solar Photovoltaic Power Forecasting / A. El hendouzi, A. Bourouhou // Journal of Electrical and Computer Engineering. 2020. Vol. 2020. P. 1–21. https://doi.org/10.1155/2020/8819925.

2. Review of photovoltaic power forecasting / J. Antonanzas [et al.] // Solar Energy. 2016. Vol. 136. P. 78–111. https://doi.org/10.1016/j.solener.2016.06.069.

3. Machine Learning Methods for Solar Radiation Forecasting: а Review / C. Voyant [et al.] // Renewable Energy. 2017. Vol. 105. P. 569–582. https://doi.org/10.1016/j.renene.2016.12.095.

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

5. Industry Experience of Developing Day-Ahead Photovoltaic Plant Forecasting System Based on Machine Learning / A. I. Khalyasmaa [et al.] // Remote Sensing. 2020. Vol. 12, Iss. 20. P. 3420. https://doi.org/10.3390/rs12203420.

6. The Impact of Data Filtration on the Accuracy of Multiple Time-Domain Forecasting for Photovoltaic Power Plants Generation / S. A. Eroshenko [et al.] // Applied Sciences. 2020. Vol. 10, Iss. 22. P. 8265. https://doi.org/10.3390/app10228265.

7. Rana, M. Solar Power Forecasting Using Weather Type Clustering and Ensembles of Neural Networks / M. Rana, I. Koprinska, V. G. Agelidis // International Joint Conference on Neural Networks (IJCNN). Vancouver, BC, Canada: IEEE, 2016. P. 4962–4969. https://doi.org/10.1109/IJCNN.2016.7727853.

8. Solar Radiation Intensity Probabilistic Forecasting Based on K-Means Time Series Clustering and Gaussian Process Regression / Z. Zhang [et al.] // IEEE Access. 2021. Vol. 9. P. 89079–89092. https://doi.org/10.1109/ACCESS.2021.3077475.

9. Unsupervised Clustering-Based Short-Term Solar Forecasting / C. Feng [et al.] // IEEE Transactions on Sustainable Energy. 2021. Vol. 10, Iss. 4. P. 2174–2185. https://doi.org/10.1109/TSTE.2018.2881531.

10. Unsupervised Clustering of Battery Waveforms in Off-Grid PV Installations / I. Sanz-Gorrachategui [et al.] // 2020 Fifteenth International Conference on Ecological Vehicles and Renewable Energies (EVER). Monte-Carlo, Monaco, 2020. P. 1–6. https://doi.org/10.1109/EVER48776.2020.9242942.

11. Development of Algorithm for Day Ahead PV Generation Forecasting Using Data Mining Method / M. C. Kang [et al.] // Proc. Int. IEEE 54th Midwest Symposium on Circuits and Systems (MWSCAS). Seoul, Korea (South): IEEE, 2011. P. 1–4 https://doi.org/10.1109/MWSCAS.2011.6026333.

12. Pattern Classification and PSO Optimal Weights Based Sky Images Cloud Motion Speed Calculation Method for Solar PV Power Forecasting / F. Wang [et al.] S // IEEE Industry Applications Society Annual Meeting (IAS). Portland, OR, USA: IEEE, 2018. P. 1–9. https://doi.org/10.1109/IAS.2018.8544468.

13. Daily Clearness Index Profiles Cluster Analysis for Photovoltaic System / C. S. Lai [et al.] // IEEE Transactions on Industrial Informatics. 2017. Vol. 13, Iss. 5. P. 2322–2332. https://doi.org/10.1109/TII.2017.2683519.

14. Severiano, C. Very Short-Term Solar Forecasting Using Multi-Agent System Based on Extreme Learning Machines and Data Clustering / C. Severiano, F. G. Guimarães, M. W. Cohen // 2016 IEEE Symposium Series on Computational Intelligence (SSCI). Athens, Greece: IEEE, 2016. P. 1–8. https://doi.org/10.1109/SSCI.2016.7850162.

15. Yang, Y. Short-Term PV Generation System Direct Power Prediction Model on Wavelet Neural Network and Weather Type Clustering / Y. Yang, L. Dong // 2013 5th International Conference on Intelligent Human-Machine Systems and Cybernetics. Hangzhou, China: IEEE, 2013. P. 207–211. https://doi.org/10.1109/IHMSC.2013.56.

16. Day-Ahead Photovoltaic Forecasting: A Comparison of the Most Effective Techniques / N. Alfredo [et al.] // Energies. 2019. Vol. 12, Iss. 9. P. 1621. https://doi.org/10.3390/en 12091621.

17. Meteoblue [Electronic Resource]. Mode of access: https://www.meteoblue.com/en/weather. Date of access: 13.05.2022.

18. Principal Manifolds for Data Visualization and Dimension Reduction / A. N. Gorban [et al.] // Berlin: Springer, 2008. 364 p. (Lecture Notes in Computational Science and Enginee, Vol. 58). https://doi.org/10.1007/978-3-540-73750-6_5.

19. Hartigan, J. A. Algorithm AS 136: A K-Means Clustering Algorithm / J. A. Hartigan, M. A. Wong // Journal of the Royal Statistical Society. Series C (Applied Statistics). 1979. Vol. 28, Nо 1. P. 100–108. https://doi.org/10.2307/2346830.

20. Improving Accuracy and Generalization Performance of Small-Size Recurrent Neural Networks Applied to Short-Term Load Forecasting / P. V. Matrenin [et al.] // Mathematics. 2020. Vol. 8. Iss. 12. P. 2169. https://doi.org/10.3390/math8122169.

21. Матренин, П. В. Устойчивое краткосрочное прогнозирование скорости ветра с помощью адаптивных компактных нейронных сетей / П. В. Матренин, В. З. Манусов, Е. А. Игумнова // Проблемы региональной энергетики. 2020. Т. 7, №47. С. 69–80. https://doi.org/10.5281/zenodo.4018960.

22. Clustering [Electronic Resource] // Scikit-Learn. Machine Learning in Python. Mode of access: https://scikit-learn.org/stable/modules/clustering.html. Date of access: 13.04.2022.

23. Drucker, H. Improving Regressors using Boosting Techniques / H. Drucker // Proceedings of the 14th International Conference on Machine Learning (ICML). Citeseer, 1997. P. 107–115.

24. Adaptive Boosting [Electronic Resource] // Scikit-Learn. Machine Learning in Python. Mode of access: https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.SGDRegressor.html?highlight=adaptive+busting. Date of access: 13.04.2022.