Прогнозирование коэффициента использования установленной мощности для объектов генерации на базе возобновляемых источников энергии для децентрализованных электроэнергетических систем

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.

1. Devices 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.2022.9693557

2. 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.

3. 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.

4. 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.

5. Ерошенко, С. А. Краткосрочное прогнозирование и планирование режимов фотоэлектрических электростанций: дис. … канд. техн. наук: 05.14.02 / С. А. Ерошенко. Новосибирск, 2020. 212 л.

6. 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.

7. 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.

8. 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.

9. 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.

10. 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.

11. Интеллектуальные мультиагентные системы в электроэнергетике: монография / А. И. Хальясмаа [и др.]. Новосибирск: Изд-во НГТУ, 2023. 222 с.

12. 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.

13. 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.

14. 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.

15. 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.

16. 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.

17. 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.

18. 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.

19. 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.

20. 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.

21. 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.

22. 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.

23. POWER Hourly API [Electronic Resource]. Mode of access: https://power.larc.nasa.gov/api/pages/ (accessed 24 May 2024).

24. 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.

25. 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.

26. RandomForestRegressor [Electronic Resource]. Mode of access: https://sci kit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestRegressor.html (accessed 24 May 2024).