ПІДВИЩЕННЯ ТОЧНОСТІ БАГАТОФАКТОРНИХ КОРОТКОСТРОКОВИХ ПРОГНОЗІВ ГЕНЕРАЦІЇ СОНЯЧНИХ ЕЛЕКТРОСТАНЦІЙ НА ОСНОВІ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ

Статтю присвячено розвитку моделей прогнозування відпуску електроенергії промисловими сонячними електростанціями на основі штучних нейронних мереж та використання числового прогнозу погоди. Актуальність дослідження обумовлена необхідністю зменшення витрат, пов'язаних з небалансами виробників з...

Повний опис

Збережено в:
Бібліографічні деталі
Дата:2024
Автори: Мирошник, В.О., Лоскутов, С.С.
Формат: Стаття
Мова:Українська
Опубліковано: Інститут електродинаміки НАН України, Київ 2024
Теми:
Онлайн доступ:https://techned.org.ua/index.php/techned/article/view/1492
Теги: Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:Technical Electrodynamics

Репозитарії

Technical Electrodynamics
Опис
Резюме:Статтю присвячено розвитку моделей прогнозування відпуску електроенергії промисловими сонячними електростанціями на основі штучних нейронних мереж та використання числового прогнозу погоди. Актуальність дослідження обумовлена необхідністю зменшення витрат, пов'язаних з небалансами виробників з відновлюваних джерел енергії (ВДЕ), які іноді сягають 50% відпущеної електроенергії, а також зростанням небалансів таких виробників в ОЕС України. Загальні небаланси виробників з ВДЕ сьогодні зумовлені  падінням на 45% виробництва зеленої електроенергії, зокрема і внаслідок того, що у південних і південно-східних регіонах бойові дії пошкодили або знищили 75% вітрових електростанцій і 15 % сонячних станцій. Підвищення точності та стабільності прогнозування відпуску електроенергії такими виробниками можуть значно скоротити витрати на небаланси. Розроблено різні методи агрегації для 15-хвилинних значень вироблення зеленої енергії, щоб підвищити точність прогнозування для 1, 2 та 24-годинних інтервалів. Досліджено потенційні переваги використання значень числового прогнозу погоди (NWP) задля підвищення точності прогнозу. Проаналізовано вплив зовнішніх факторів на точність прогнозів з різною глибиною. У процесі дослідження використовувалися дві сучасні моделі рекурентної нейронної мережі, LSTM і GRU, з різними часовими послідовностями. Бібл. 14, рис. 5, табл. 2.