Стаття

Завантажити статтю

Технології Big Data в процесі прогнозування електрогенерації від сонячних фотоелектростанцій

Олександр Столяров*

oleksandrstoliarov@outlook.com

Отримано 05.01.2024, Доопрацьовано 15.04.2024, Прийнято 27.05.2024

Анотація

Мета дослідження полягала в розробці методів використання технологій Big Data для прогнозування електрогенерації від сонячних фотоелектростанцій, що важливо для оптимізації виробництва енергії та підвищення ефективності використання сонячних ресурсів. Було використано метод аналізу економічної вигідності застосування систем управління зберіганням електроенергії та порівняльний аналіз цін на купівлю і продаж електроенергії на ринку, а також експеримент, що включав використання програмних засобів та алгоритмів для обробки, аналізу та моделювання великих обсягів даних. У результаті дослідження було розроблено методики, які охоплюють збір та аналіз даних, візуалізацію інформації, вибір та навчання моделей прогнозування на основі наявних даних, а також проведення моніторингу та тестування їх ефективності. Було побудовано графічні схеми, що вказують на етапи обробки та аналізу даних, процес прогнозування електрогенерації на різні періоди часу, а також процес навчання моделі на основі даних, моніторинг та тестування моделі. Крім того, створено графік, що показує оцінки типовості та розмаху значень, і графік, що відображає зміну цін на електроенергію протягом доби. Додатково було описано технологічні засоби для використання Big Data, розраховано вартість електроенергії та проведено оцінку економічної привабливості застосування систем управління зберіганням електроенергії. У результаті дослідження було встановлено показник імовірного доходу від арбітражу за різницею цін, а також економічні параметри доцільності використання управління зберіганням електроенергії на основі аналізу відмінностей у вартості купівлі та продажу електроенергії. Отримані результати можуть бути корисними для енергетичних компаній та організацій, що працюють у сфері виробництва електроенергії з сонячних фотоелектростанцій, дозволяючи їм оптимізувати виробництво енергії та підвищити ефективність використання сонячних ресурсів

Ключові слова:

інформаційно-аналітичні засоби; енергетичний ринок; обробка об’ємних матеріалів; оптимізація енерговиробництва; моделі передбачення

https://doi.org/10.62660/bcstu/2.2024.79

Взято з Том 29, № 2, 2024

Сторінки 79-92

Використані джерела ЦИТУВАТИ

Використані джерела

[1] Aman, R., Rizwan, M., & Kumar, A. (2023). Novel and efficient hybrid deep learning approach for solar photovoltaic power forecasting considering meteorological parameters. Electrical Engineering. doi: 10.21203/rs.3.rs-3260351/v1.

[2] Arias, M.B., & Bae, S. (2021). Solar photovoltaic power prediction using big data tools. Sustainability, 13(24), article number 13685. doi: 10.3390/su132413685.

[3] Bappalige, S. (2014). An introduction to Apache Hadoop for big data. Retrieved from https://opensource.com/life/14/8/intro-apache-hadoop-big-data.

[4] Chandel, S.S., Gupta, A., Chandel, R., & Tajjour, S. (2023). Review of deep learning techniques for power generation prediction of industrial solar photovoltaic plants. Solar Compass, 8, article number 100061. doi: 10.1016/j.solcom.2023.100061.

[5] de Freitas Viscondi, G., & Alves-Souza, S.N. (2019). A systematic literature review on big data for solar photovoltaic electricity generation forecasting. Sustainable Energy Technologies and Assessments, 31, 54-63. doi: 10.1016/j.seta.2018.11.008.

[6] Dhaked, D.K., Dadhich, S., & Birla, D. (2023). Power output forecasting of solar photovoltaic plant using LSTM. Green Energy and Intelligent Transportation, 2(5), article number 100113. doi: 10.1016/j.geits.2023.100113.

[7] Gaboitaolelwe, J., Zungeru, A.M., Yahya, A., Lebekwe, C.K., Vinod, D.N., & Salau, A.O. (2023). Machine learning based solar photovoltaic power forecasting: A review and comparison. IEEE Access, 11, 40820-40845. doi: 10.1109/ACCESS.2023.3270041.

[8] Gil-Vera, V.D., & Quintero-López, C. (2023). Predictive modeling of photovoltaic solar power generation. WSEAS Transatcions on Power Systems, 18, 71-81. doi: 10.37394/232016.2023.18.8.

[9] Hossain, M.M., Pranto, M.A., & Hasan, M.N. (2023). Design of a 20 MW grid-connected solar photovoltaic power plant for a community in Char Fasson. Dhaka: Ahsanullah University of Science and Technology. doi: 10.13140/RG.2.2.30335.38560.

[10] Iheanetu, K.J. (2022). Solar photovoltaic power forecasting: A review. Sustainability, 14(24), article number 17005. doi: 10.3390/su142417005.

[11] Je, S.-M., Ko, H., & Huh, J.-H. (2021). Accurate demand forecasting: A flexible and balanced electric power production big data virtualization based on photovoltaic power plant. Energies, 14(21), article number 6915. doi: 10.3390/en14216915.

[12] Kho, L.C., Ngu, S.S., Annie, J., Sahari, S.K., Kipli, K., & Rulaningtyas, R. (2023). A case study of using long short-term memory (LSTM) algorithm in solar photovoltaic power forecasting. ASM Science Journal, 18, 1-8. doi: 10.32802/asmscj.2023.1162.

[13] Kumar, N., & Tripathi, M.M. (2022). Investigation on effect of solar energy generation on electricity price forecasting. Journal of Intelligent & Fuzzy Systems, 42(2), 1185-1197. doi: 10.3233/JIFS-189781.

[14] Kyzym, M., Shpilevskyi, V., Zinchenko, V., & Shpilevskyi, O. (2022). Global challenges and prospects for the structural development of Ukraine’s electric energy industry. Business Inform, 7, 86-98. doi: 10.32983/2222-4459-2022-7-86-98.

[15] Liu, W. (2023). Key technologies for photovoltaic power generation. Highlights in Science Engineering and Technology, 43, 74-83. doi: 10.54097/hset.v43i.7407.

[16] Nahar, A., Al Mamun Rudro, R., Al Sohan, F.A., Reya, R.I., & Uddin, M.H. (2024). Predicting photovoltaic power generation by machine learning using time series analysis. Energy Proceedings, 43(5), 1-4. doi: 10.46855/energy-proceedings-11024.

[17] Nazari, M.A., El Haj Assad, M., & Salem, M. (2023). Solar energy and power generation. In M. El Haj Assad & M.A. Nazari (Eds.), Solar collectors and systems (pp. 15-29). Hauppauge: Nova Science Publishers. doi: 10.52305/EAML0250.

[18] Nie, Y., Li, X., Scott, A., Sun, Y., Venugopal, V., & Brandt, A. (2022). SKIPP’D: A SKy images and photovoltaic power generation dataset for short-term solar forecasting. Solar Energy, 255, 171-179. doi: 10.1016/j.solener.2023.03.043.

[19] Official Website of “Market Operator”. (n.d.). Retrieved from https://www.oree.com.ua/.

[20] Pallamala, R.K., & Rodrigues, P. (2022). An investigative testing of structured and unstructured data formats in big data application using Apache Spark. Wireless Personal Communications, 122(1), 603-620. doi: 10.1007/s11277-021-08915-0.

[21] Pysmenna, U., Sotnyk, I., Kubatko, O., Trypolska, G., & Kurbatova, T. (2021). Market mechanism formation for stimulating the development of energy accumulation systems in Ukraine. Visnyk of Sumy State University, 3(3), 31-39. doi: 10.21272/1817-9215.2021.3-4.

[22] Rajnish, Saroha, S., & Kumar Saini, M. (2024). Numerical modeling and performance assessment of machine learning-based solar photovoltaic energy forecasting system. In Power engineering and intelligent systems (pp. 391-404). Singapore: Springer. doi: 10.1007/978-981-99-7383-5_29.

[23] Sabri, M., & El Hassouni, M. (2023). Photovoltaic power forecasting with a long short-term memory autoencoder networks. Soft Computing, 27(15), 10533-105553. doi: 10.1007/s00500-023-08497-y.

[24] Sarah, K.E., Roland, U., & Okafor, E.N.C. (2020). A review of solar photovoltaic technologies. International Journal of Engineering Research & Technology, 9(7), 741-749. doi: 10.17577/IJERTV9IS070244.

[25] Saxena, N. (2019). Apache Kafka value in Big Data. Retrieved from https://medium.com/dataseries/big-data-solution-using-apache-kafka-9a9d27cbf51c.

[26] Soumya, C., Deepanraj, B., & Ranjitha, J. (2021). A review on solar photovoltaic systems and its application in electricity generation. AIP Conference Proceedings, 2396(1), article number 020011. doi: 10.1063/5.0066291.

[27] Stanytsina, V., Nechaieva, T., Trokhaniak, V., Horskyi, V., & Teslenko, O. (2023). Electricity and heat supply technologies for increasing the energy independence of certain territorial communities. System Research in Energy, 4(75), 32-44. doi: 10.15407/srenergy2023.04.032.

[28] Suwarno, & Pinayungan, D. (2024). Solar power forecasting model as a renewable generation source on virtual power plants. Bulletin of Electrical Engineering and Informatics, 13(2), 702-712. doi: 10.11591/eei.v13i2.5870.

[29] Tajjour, S., & Chandel, S.S. (2022). Power generation forecasting of a solar photovoltaic power plant by a novel transfer learning technique with small solar radiation and power generation training data sets. SSRN. doi: 10.2139/ssrn.4024225.

[30] Torres, J.F., Troncoso, A., Koprinska, I., Wang, Z., & Martínez-Álvarez, F. (2019). Deep learning for big data time series forecasting applied to solar power. In Proceedings of the international joint conference SOCO’18-CISIS’18-ICEUTE’18 (pp. 123-133). Cham: Springer. doi: 10.1007/978-3-319-94120-2_12.

[31] Vaish, R., & Dwivedi, U.D. (2022). Role of machine learning in forecasting solar and wind power generation. In S.M. Tripathi & A.K. Singh (Eds.), Energy conversion: Methods, technology and future directions (pp. 211-241). Hauppauge: Nova Science Publishers. doi: 10.52305/VXCB5652.

[32] Zhang, Y., & Wang, Y. (2022). A hybrid neural network-based intelligent forecasting approach for capacity of photovoltaic electricity generation. Journal of Circuits, Systems and Computers, 32(10), article number 2350172. doi: 10.1142/S0218126623501724.

[33] Zhang, Z., Wang, J., Xia, Y., Wei, D., & Niu, Y. (2023). Solar-mixer: An efficient end-to-end model for long-sequence photovoltaic power generation time series forecasting. IEEE Transactions on Sustainable Energy, 14(4), 1979-1991. doi: 10.1109/TSTE.2023.3268100.

ЦИТУВАТИ

Stoliarov, O. (2024). Big Data technologies in the process of forecasting electricity generation from solar photovoltaic power plants. Bulletin of Cherkasy State Technological University, 29(2), 79-92. https://doi.org/10.62660/bcstu/2.2024.79