Ефективне прогнозування електрогенерації від сонячних електростанцій за допомогою технологій: інтеграція, переваги та перспективи
Анотація
Точне прогнозування виробітку електроенергії з використанням відновлюваних джерел є важливим елементом для забезпечення стабільності електричних систем та переходу до більш сталого енергетичного виробництва. Метою цього дослідження є оптимізація роботи електричних систем України з урахуванням впровадження необхідної частки відновлювальних джерел енергії для забезпечення надійності електричної системи. Для дослідження точності прогнозування генерації електроенергії фотогальванічними електростанціями в Україні використовувалися аналіз даних, огляд сучасних моделей та методів прогнозування, а також порівняльний аналіз за допомогою супутникових знімків та метеорологічних спостережень. Низька точність прогнозування відпуску є особливістю виробництва електроенергії з відновлюваних джерел енергії, що пояснюється випадковим характером джерел енергії та супутніми метеорологічними умовами. В Україні стає більш актуальною проблема якісного прогнозування виробітку електричної енергії з використанням відновлюваних джерел. Значення пошуку ефективних методів прогнозування генерації виробництва електроенергії в Україні зросло з появою ринку електроенергії. Дана дослідницька робота скерована на вирішення проблемного питання щодо прогнозування генерації електроенергії фотогальванічними електростанціями на добу наперед в умовах енергетичного ринку України. У рамках роботи були розглянуті питання законодавства України щодо вимог до точності прогнозування генерації електроенергії та наслідки їх невиконання. Також було проведено огляд сучасних моделей та методів прогнозування генерації електроенергії фотогальванічними електростанціями та досліджено новий «ринок систем прогнозування» в Україні. У дослідженні були представлені прийняті метрики прогнозів, які дозволяють оцінити похибки і порівняти ефективність різних методів прогнозування. З урахуванням залежності прогнозування генерації електроенергії від метеопараметрів, був проведений порівняльний аналіз точності прогнозування за допомогою супутникових знімків та метеорологічних спостережень. Запропоноване дослідження дозволить враховувати викладений матеріал при визначенні моделі прогнозування генерації електроенергії, таким чином підвищуючи ефективність роботи енергетичних компанії в умовах енергетичного ринку України. Дослідження також сприятиме зменшенню негативного впливу енергетичного сектору на навколишнє середовище та сприятиме створенню більш ефективної та стабільної електричної системи у майбутньому
Ключові слова
потужність; генерація; баланс енергосистеми; відновлювані джерела енергії; енергетичний ринок
Використані джерела
[1] Aicardi, D., Musé, P., & Alonso-Suárez, R. (2022). A comparison of satellite cloud motion vectors techniques to forecast intra-day hourly solar global horizontal irradiation. Solar Energy, 233, 46-60. doi: 10.1016/j.solener.2021.12.066.
[2] Alabi, T.M., Aghimien, E.I., Agbajor, F.D., Yang, Z., Lu, L., Adeoye, A.R., & Gopaluni, B. (2022). A review on the integrated optimization techniques and machine learning approaches for modeling, prediction, and decision making on integrated energy systems. Renewable Energy, 194, 822-849. doi: 10.1016/j.renene.2022.05.123.
[3] Bakay, M.S., & Ağbulut, Ü. (2021). Electricity production based forecasting of greenhouse gas emissions in Turkey with deep learning, support vector machine and artificial neural network algorithms. Journal of Cleaner Production, 285, article number 125324. doi: 10.1016/j.jclepro.2020.125324.
[4] Bandara, K., Hewamalage, H., Liu, Y.H., Kang, Y., & Bergmeir, C. (2021). Improving the accuracy of global forecasting models using time series data augmentation. Pattern Recognition, 120, article number 108148. doi: 10.1016/j.patcog.2021.108148.
[5] Brych, V.Ya., Putsenteilo, P.R., & Hunko, S.I. (2022). Development of critical technologies in the field of energy security of Ukraine. Innovative Economy, 2-3, 115-126. doi: 10.37332/2309-1533.2022.2-3.14.
[6] Chen, Ch., Liu, H., Xiao, Y., Zhu, F., Ding, L., & Yang, F. (2022). Power generation scheduling for a hydro-wind-solar hybrid system: A systematic survey and prospect. Energies, 15(22), article number 8747. doi: 10.3390/en15228747.
[7] Chicco, D., Warrens, M.J., & Jurman, G. (2021). The coefficient of determination R-squared is more informative than SMAPE, MAE, MAPE, MSE and RMSE in regression analysis evaluation. PeerJ Computer Science, 7, article number e623. doi: 10.7717/peerj-cs.623.
[8] Duan, Yi., Weng, M., Zhang, W., Qian, Y., Luo, Z., & Chen, L. (2021). Multi-functional carbon nanotube paper for solar water evaporation combined with electricity generation and storage. Energy Conversion and Management, 241, article number 114306. doi: 10.1016/j.enconman.2021.114306.
[9] Elsaraiti, M., & Merabet, A. (2022). Solar power forecasting using deep learning techniques. IEEE Access, 10, 31692-31698. doi: 10.1109/ACCESS.2022.3160484.
[10] Fara, L., Diaconu, A., Craciunescu, D., & Fara, S. (2021). Forecasting of energy production for photovoltaic systems based on ARIMA and ANN advanced models. International Journal of Photoenergy, 2021, article number 6777488. doi: 10.1155/2021/6777488.
[11] Fiedler, S., et al. (2022). Energy meteorology and economics – transdisciplinary success from the Hans-Ertel-Centre for Weather Research. In EMS annual meeting abstracts (EMS2022-128). Bonn: Poppelsdorf Campus of the University of Bonn. doi: 10.5194/ems2022-128.
[12] Kim, E., Akhtar, M.S., & Yang, O.B. (2023). Designing solar power generation output forecasting methods using time series algorithms. Electric Power Systems Research, 216, article number 109073. doi: 10.1016/j.epsr.2022.109073.
[13] Kitamura, R., Kawabe, T., Masuda, Y., Kajiro, T., Nonaka, K., & Yonemochi, E. (2022). Development of a retention prediction model in ion-pair reversed-phase HPLC for nucleoside triphosphates used as mRNA vaccine raw materials. Journal of Chromatography B, 1193, article number 123168. doi: 10.1016/j.jchromb.2022.123168.
[14] Konstantinou, M., Peratikou, S., & Charalambides, A.G. (2021). Solar photovoltaic forecasting of power output using LSTM networks. Atmosphere, 12(1), article number 124. doi: 10.3390/atmos12010124.
[15] Kyzym, M.O., Shpilevsky, V.V., Zinchenko, V.A., & Shpilevsky, O.V. (2022). Global challenges and prospects of the structural development of Ukraine’s electric energy industry. Business Inform, 7, 86-98. doi: 10.32983/2222-4459-2022-7-86-98.
[16] Libra, M., Petrík, T., Poulek, V., Tyukhov, I.I., & Kouřím, P. (2021). Changes in the efficiency of photovoltaic energy conversion in temperature range with extreme limits. IEEE Journal of Photovoltaics, 11(6), 1479-1484. doi: 10.1109/JPHOTOV.2021.3108484.
[17] Lim, S.C., Huh, J.H., Hong, S.H., Park, C.Y., & Kim, J.C. (2022). Solar power forecasting using CNN-LSTM hybrid model. Energies, 15(21), article number 8233. doi: 10.3390/en15218233.
[18] Liu, L., & Wu, L. (2021). Forecasting the renewable energy consumption of the European countries by an adjacent non-homogeneous grey model. Applied Mathematical Modelling, 89(2), 1932-1948. doi: 10.1016/j.apm.2020.08.080.
[19] Luo, X., Zhang, D., & Zhu, X. (2021). Deep learning based forecasting of photovoltaic power generation by incorporating domain knowledge. Energy, 225, article number 120240. doi: 10.1016/j.energy.2021.120240.
[20] Markovics, D., & Mayer, M.J. (2022). Comparison of machine learning methods for photovoltaic power forecasting based on numerical weather prediction. Renewable and Sustainable Energy Reviews, 161, article number 112364. doi: 10.1016/j.rser.2022.112364.
[21] Mboso, J. (2022). The autoregressive integrated moving average models of the classical Box-Jenkins methods of time series analysis. American Journal of Statistics and Actuarial Sciences, 4(1), 18-34. doi: 10.47672/ajsas.1294.
[22] Natarajan, Yu., Kannan, S., Selvaraj, Ch., & Mohanty, S.N. (2021). Forecasting energy generation in large photovoltaic plants using radial belief neural network. Sustainable Computing: Informatics and Systems, 31, article number 100578. doi: 10.1016/j.suscom.2021.100578.
[23] Nespoli, A., Niccolai, A., Ogliari, E., Perego, G., Collino, E., & Ronzio, D. (2022). Machine Learning techniques for solar irradiation nowcasting: Cloud type classification forecast through satellite data and imagery. Applied Energy, 305, article number 117834. doi: 10.1016/j.apenergy.2021.117834.
[24] Oliveira, A.V.S., Zacharie, C., Rémy, B., Schick, V., Maréchal, D., Teixeira, J., Denis, S., & Gradeck, M. (2021). Inverse ARX (IARX) method for boundary specification in heat conduction problems. International Journal of Heat and Mass Transfer, 180, article number 121783. doi: 10.1016/j.ijheatmasstransfer.2021.121783.
[25] Ozbek, A., Sekertekin, A., Bilgili, M., & Arslan, N. (2021). Prediction of 10-min, hourly, and daily atmospheric air temperature: Comparison of LSTM, ANFIS-FCM, and ARMA. Arabian Journal of Geosciences, 14, article number 622. doi: 10.1007/s12517-021-06982-y.
[26] Paletta, Q., et al. (2023). Advances in solar forecasting: Computer vision with deep learning. Advances in Applied Energy, 11, article number 100150. doi: 10.1016/j.adapen.2023.100150.
[27] Prema, V., Bhaskar, M.S., Almakhles, D., Gowtham, N., & Rao, K.U. (2021). Critical review of data, models and performance metrics for wind and solar power forecast. IEEE Access, 10, 667-688. doi: 10.1109/ACCESS.2021.3137419.
[28] PV plant Petrivka. (n.d.). Retrieved from https://www.energo.ua/ua/assets/pv_plant_petrivka.
[29] Schultz, M.G., Betancourt, C., Gong, B., Kleinert, F., Langguth, M., Leufen, L.H., Mozaffari, A., & Stadtler, S. (2021). Can deep learning beat numerical weather prediction? Philosophical Transactions of the Royal Society a Mathematical Physical and Engineering Sciences, 379, article number 20200097. doi: 10.1098/rsta.2020.0097.
[30] Shaik, F., Lingala, S.S., & Veeraboina, P. (2023). Effect of various parameters on the performance of solar PV power plant: A review and the experimental study. Sustainable Energy Research, 10, article number 6. doi: 10.1186/s40807-023-00076-x.
[31] Sotnyk, M., Telizhenko, O., Shashkov, S., & Egorov, E. (2023). “Virtual Power Plant”: A general model of aggregation in electrical energy. International Scientific Journal “Grail of Science”, 34, 33-42. doi: 10.36074/grail-of-science.08.12.2023.02.
[32] Tawn, R., & Browell, J. (2022). A review of very short-term wind and solar power forecasting. Renewable and Sustainable Energy Reviews, 153, article number 111758. doi: 10.1016/j.rser.2021.111758.
[33] Yang, B., et al. (2021). Classification and summarization of solar irradiance and power forecasting methods: A thorough review. CSEE Journal of Power and Energy Systems, 9(3), 978-995. doi: 10.17775/CSEEJPES.2020.04930.
[34] Zohner, C.M., et al. (2023). Effect of climate warming on the timing of autumn leaf senescence reverses after the summer solstice. Science, 381(6653), article number eadf5098. doi: 10.1126/science.adf5098.