IMPROVING THE RELIABILITY OF ELECTRICITY SUPPLY FROM NON-TRADITIONAL AND RENEWABLE ENERGY SOURCES
The article presents and analyzes the current legislation in the field of electricity quality regulation. The emphasis is on compliance with standards. The main requirements include: permissible deviations of voltage, frequency, limitation of harmonic distortion, control of flicker and reverse seque...
Збережено в:
| Дата: | 2025 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Institute of Renewable Energy National Academy of Sciences of Ukraine
2025
|
| Теми: | |
| Онлайн доступ: | https://ve.org.ua/index.php/journal/article/view/529 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Vidnovluvana energetika |
| Завантажити файл: |  |
Репозитарії
Vidnovluvana energetika| _version_ | 1871103917377454080 |
|---|---|
| author | Korovushkin , V. Bosak , A. |
| author_facet | Korovushkin , V. Bosak , A. |
| author_institution_txt_mv | [
{
"author": "V. Korovushkin ",
"institution": "National Technical University of Ukraine «Igor Sikorsky Kyiv Polytechnic Institute», Kyiv, Ukraine"
},
{
"author": "A. Bosak ",
"institution": "National Technical University of Ukraine «Igor Sikorsky Kyiv Polytechnic Institute», Kyiv, Ukraine"
}
] |
| author_sort | Korovushkin , V. |
| baseUrl_str | https://ve.org.ua/index.php/journal/oai |
| collection | OJS |
| datestamp_date | 2026-07-18T06:32:22Z |
| description | The article presents and analyzes the current legislation in the field of electricity quality regulation. The emphasis is on compliance with standards. The main requirements include: permissible deviations of voltage, frequency, limitation of harmonic distortion, control of flicker and reverse sequence components. Voltage control devices should maintain its level within 100-105% of the nominal value depending on the load.
The features of solar and wind energy were characterized. Thus, solar systems (SPPs) are divided into grid-connected, stand-alone, and hybrid. Generation depends on insolation, angle of incidence, panel efficiency, and weather. A typical production profile has peaks during the day, which does not coincide with evening consumption peaks. 
Wind turbines are classified by the type of rotor axis (HAWT, VAWT). The power of wind turbines is calculated using a formula that takes into account wind speed, air density and power factor Cₚ (0.2-0.5 for HAWT). Generation is highly variable, especially in unstable wind conditions.
In addition, technologies to improve reliability have been proposed, in particular: energy storage (lithium-ion batteries, gravity (GES) and pumped storage (PSH) systems, hydrogen storage). 
The methods of generation forecasting are analyzed: sustainability models, physical models, machine learning and hybrid methods.
Integration of renewable energy sources requires infrastructure adaptation to their variability. The key areas are the introduction of high-efficiency storage, the development of hybrid forecasting models, and compliance with energy quality standards. Prospects are associated with the improvement of hydrogen technologies, longer battery life, and automation of grid management. |
| doi_str_mv | 10.36296/1819-8058.2025.2(81).88-96 |
| first_indexed | 2025-07-17T11:40:00Z |
| format | Article |
| fulltext |
88
Відновлювана енергетика. № 2/2025 | Комплексні проблеми енергетичних систем на основі НВДЕ
УДК 681.5 https://doi.org/10.36296/1819-8058.2025.2(81).88-96
ПІДВИЩЕННЯ НАДІЙНОСТІ ЕЛЕКТРОПОСТАЧАННЯ ВІД НЕТРАДИЦІЙНИХ
ТА ВІДНОВЛЮВАНИХ ДЖЕРЕЛ ЕНЕРГІЇ
Отримано 19 лют. 2025 р.; рекомендовано до публікації 27 черв. 2025 р.
Доступно онлайн 30 черв. 2025 р.
Коровушкін В. О.1, Босак А. В.2
Автор для кореспонденції: Коровушкін Віталій,
e-mail: vitalijkorovuskin@gmail.com
У статті наведено та проаналізовано чинне законодав-
ство в частині регулювання якості електроенергії. Акцен-
товано на дотриманні стандартів. Серед основних вимог
– допустимі відхилення напруги, обмеження гармонічних спотворень, контроль флікера та складових
зворотної послідовності. Пристрої регулювання напруги мають підтримувати її рівень у межах 100–
105 % номінального значення залежно від навантаження.
Було охарактеризовано особливості сонячної та вітрової енергетики. Так, сонячні системи (ФЕС) поді-
ляються на мережеві, автономні й гібридні. Генерація залежить від інсоляції, кута падіння променів,
ККД панелей та погоди. Типовий профіль виробництва має піки вдень, що не збігається з вечірніми ма-
ксимумами споживання.
Вітрові установки класифікуються за типом осі ротора (HAWT, VAWT). Потужність вітрогенераторів
визначають за формулою, що враховує швидкість вітру, густину повітря та коефіцієнт потужності
Cₚ (0,2–0,5 для HAWT). Генерація відрізняється високою мінливістю, особливо в умовах нестабільних ві-
трів. Крім того, було запропоновано технології підвищення надійності, зокрема накопичувачі енергії,
та проаналізовано способи прогнозування генерації.
Інтеграція ВДЕ вимагає адаптації інфраструктури до їхньої мінливості.
Ключові слова: сонячна енергія, вітрова енергія, накопичувачі енергії, якість електроенергії, енерго-
ефективність, генерування, енергосистема.
IMPROVING THE RELIABILITY OF ELECTRICITY SUPPLY FROM NON-TRADITIONAL
AND RENEWABLE ENERGY SOURCES
Received Feb. 19, 2025; accepted Jun. 27, 2025
Available online Jun. 30, 2025
Korovushkin V.1, Bosak A.2
Author for correspondence: Korovushkin Vitalii,
e-mail: vitalijkorovuskin@gmail.com
The article presents and analyzes the current legislation in the field of
electricity quality regulation. The emphasis is on compliance with
standards. The main requirements include: permissible deviations of
voltage, frequency, limitation of harmonic distortion, control of flicker
and reverse sequence components. Voltage control devices should maintain its level within 100-105% of the nominal value
depending on the load.
The features of solar and wind energy were characterized. Thus, solar systems (SPPs) are divided into grid-connected, stand-
alone, and hybrid. Generation depends on insolation, angle of incidence, panel efficiency, and weather. A typical production
profile has peaks during the day, which does not coincide with evening consumption peaks.
1 аспірант
https://orcid.org/0000-0002-7571-7124
2 канд. техн. наук, доцент
https://orcid.org/0000-0003-0545-9980
1, 2, Національний технічний університет
України «Київський політехнічний інститут
імені Ігоря Сікорського», м. Київ,
Україна
1 Postgraduate student
https://orcid.org/0000-0002-7571-7124
2 Cand. of Sciens (Eng.), Assoc. Prof.
https://orcid.org/0000-0003-0545-9980
1, 2 National Technical University of Ukraine
«Igor Sikorsky Kyiv Polytechnic Institute»,
Kyiv, Ukraine
89
Відновлювана енергетика. № 2/2025 | Комплексні проблеми енергетичних систем на основі НВДЕ
Wind turbines are classified by the type of rotor axis (HAWT, VAWT). The power of wind turbines is calculated using a formula
that takes into account wind speed, air density and power factor Cₚ (0.2-0.5 for HAWT). Generation is highly variable, espe-
cially in unstable wind conditions.
In addition, technologies to improve reliability have been proposed, in particular: energy storage (lithium-ion batteries, gravity
(GES) and pumped storage (PSH) systems, hydrogen storage).
The methods of generation forecasting are analyzed: sustainability models, physical models, machine learning and hybrid
methods.
Integration of renewable energy sources requires infrastructure adaptation to their variability. The key areas are the intro-
duction of high-efficiency storage, the development of hybrid forecasting models, and compliance with energy quality stand-
ards. Prospects are associated with the improvement of hydrogen technologies, longer battery life, and automation of grid
management.
Keywords: solar energy, wind energy, energy storage, power quality, energy efficiency, generation, power system.
Використані скорочення та позначення
ВДЕ – відновлювані джерела енергії
ГАЕС – гідроакумулювальна електростанція
ДСТУ – Державний стандарт України
ККД – коефіцієнт корисної дії
НКРЕКП – Національна комісія, що здійснює державне
регулювання у сферах енергетики та комунальних послуг
ФЕМ – фотоелектричний модуль
ФЕС – фотоелектрична станція
HAWT – Horizontal Axis Wind Turbine (горизонтально-
осьова вітрова турбіна)
VAWT – Vertical Axis Wind Turbine (вертикально-осьова ві-
трова турбіна)
Вступ. Сучасний розвиток енергетики супроводжується
зростанням попиту на відновлювані джерела енергії
(ВДЕ), які є екологічно чистими й невичерпними. Вико-
ристання таких джерел, як сонячна, вітрова, гідро- та бі-
оенергія, сприяє зменшенню викидів парникових газів,
зниженню залежності від викопних ресурсів та зміц-
ненню енергетичної безпеки. Крім того, активна інтегра-
ція ВДЕ в сучасні електроенергетичні системи є важли-
вим кроком на шляху до сталого розвитку, досягнення
кліматичних цілей, децентралізації електропостачання.
Проте зростання частки відновлюваних джерел у виро-
бництві електроенергії супроводжується низкою викли-
ків, серед яких мінливість генерації, суттєва залежність
від погодних умов, необхідність створення адаптивної
інфраструктури та забезпечення стабільності електропо-
стачання. Для розв’язання цих проблем потрібні ком-
плексні підходи, спрямовані на підвищення надійності
та стійкості енергосистем, що використовують нетради-
ційні та відновлювані джерела енергії.
Постановка завдання. Аналіз існуючих рішень та техно-
логій, що дозволяють підвищити надійність енергопо-
стачання від ВДЕ. Реалізація таких підходів сприятиме
ефективному використанню потенціалу ВДЕ та їх пода-
льшій інтеграції в енергетичну інфраструктуру України.
Рівні та регулювання якості електропостачання. Для
електричних мереж слід передбачати технічні заходи
щодо забезпечення якості напруги електричної енергії
відповідно до вимог ГОСТ 13109-97 «Електрична енер-
гія. Сумісність технічних засобів електромагнітна. Нор-
ми якості електричної енергії в системах електропоста-
чання загального призначення». Крім того, відповідно
до положень пункту 11.4.6 глави 11.4 розділу XI Кодексу
систем розподілу, затвердженого постановою НКРЕКП
від 14.03.2018 № 310 (далі – КСР), параметри якості
електроенергії в точках приєднання споживачів у нор-
мальних умовах експлуатації мають відповідати пара-
метрам, визначеним у ДСТУ EN 50160:2023 Характерис-
тики напруги електропостачання в електричних
мережах загальної призначеності (EN 50160:2022, IDT).
Пристрої регулювання напруги мають забезпечувати
підтримання напруги на тих шинах напругою від 6 до
20 кВ електростанцій та підстанцій, до яких приєднано
розподільні мережі, у межах не нижче ніж 105 % номі-
нального в період найбільших навантажень і не вище
ніж 100 % номінального – у період найменших наванта-
жень цих мереж [1].
Основні показники якості електричної енергії визначені
у пунктах 11.4.7 – 11.4.12 глави 11.4 розділу XІ КСР [2].
Стандартна номінальна напруга Uн для мереж низької на-
пруги загального призначення має значення 220 В між фа-
зним і нульовим проводом або між фазними проводами:
− для трифазних чотирипровідних мереж: Uн = 220 В
між фазним та нульовим проводом;
− для трифазних трипровідних мереж: Uн = 220 В між
фазними проводами.
− Зміна напруги не повинна перевищувати ± 10 % від
величини номінальної напруги.
− Частота напруги електропостачання для мереж низь-
кої напруги має бути в межах:
− для систем, які синхронно приєднані до ОЕС Укра-
їни, – 50 Гц ± 1 % протягом 99,5 % часу за рік та 50 Гц
+ 4 % (- 6 %) протягом 100 % часу;
− для систем без синхронного приєднання до ОЕС Ук-
раїни – 50 Гц ± 2 % протягом 99,5 % часу за рік та
50 Гц ± 15 % протягом 100 % часу.
90
Відновлювана енергетика. № 2/2025 | Комплексні проблеми енергетичних систем на основі НВДЕ
Показник довготривалого флікера (мерехтіння), спричине-
ного коливанням напруги, для мереж низької напруги має
бути меншим або рівним 1 для 95 % часу спостереження.
95 % середньоквадратичних значень складника зворот-
ної послідовності напруги електропостачання, усеред-
нених на 10-хвилинному проміжку, для мереж низької
напруги мають бути в межах від 0 до 2 % від складника
напруги прямої послідовності.
95 % середньоквадратичних значень напруги кожної га-
рмоніки, усереднених на 10-хвилинному проміжку, для
мереж низької напруги мають бути меншими або рів-
ними значенням, наведеним у табл. 1.
Таблиця 1. Вимоги до середньоквадратичних значень напруги кожної гармоніки, усереднених на 10-хвилин-
ному проміжку, для мереж низької напруги
Table 1. Requirements for RMS values of voltage of each harmonic, averaged over a 10-minute period, for low voltage
networks
Непарні гармоніки
Парні гармоніки
не кратні 3 кратні 3
порядок
відносна
амплітуда
порядок
відносна
амплітуда
порядок
відносна
амплітуда
5 6,0 % 3 5,0 % 2 2,0 %
7 5,0 % 9 1,5 % 4 1,0 %
11 3,5 % 15 0,5 % 6…24 0,5 %
13 3,0 % 21 0,5 % - -
17 2,0 % - - - -
19 1,5 % - - - -
23 1,5 % - - - -
25 1,5 % - - - -
Сумарний коефіцієнт гармонічних спотворень напруги
електропостачання, ураховуючи всі гармоніки до 40-ї
включно, для мереж низької напруги має бути меншим
чи рівним 8 %.
Показники якості електричної енергії для мереж серед-
ньої та високої напруги, методи випробування та інші
характеристики якості електроенергії наведені в ДСТУ
EN 50160:2023 Характеристики напруги електропоста-
чання в електричних мережах загального призначення
(EN 50160:2022, IDT).
Особливості деяких відновлюваних джерел енергії.
Впровадженню ВДЕ в енергосистему перешкоджає зде-
більшого мінливість навантаження та нерегулярність ге-
нерації від ВДЕ. Так, сонячна генерація має піки близько
полудня, а вітрові електростанції – у нічні години. Типо-
вий графік добового навантаження наведений на рис. 1.
Сонячна енергетика. У сонячній енергетиці можна ви-
ділити два основних практичних напрями використання
сонячної енергії:
1) перетворення сонячної енергії на електричну енер-
гію, в тому числі:
− фотоелектричний метод перетворення (електромаг-
нітне випромінювання Сонця перетворюється на
електроенергію постійного струму);
− термодинамічний метод перетворення (сконцентро-
вана сонячна енергія використовується для одер-
жання пари, яка, обертаючи турбогенератор, вироб-
ляє електроенергію);
2) перетворення сонячної енергії на теплову енергію, в
тому числі:
− опалення;
− гаряче водопостачання.
Загальне позаземне випромінювання, що досягає атмо-
сфери Землі I0 коливається в межах ±3,3 % навколо се-
реднього значення 1360 Вт·м2, що пов’язано з рухом Зе-
млі навколо Сонця [3].
Ключові параметри для визначення кількості сонячного
випромінювання, що поступає на довільно зорієнтовану
поверхню, такі [4]:
− географічне положення поверхні;
− положення панелі у просторі;
− поточні погодні умови;
− час доби та пора року.
Кількість електроенергії, що виробляється ФЕМ, безпо-
середньо залежить від надходження сонячного випро-
мінювання у вибраних географічних умовах експлуатації
та визначається формулою (1):
𝐸уст = 𝐸інс ∙ 𝑆 ∙ 𝑐𝑜𝑠(𝜃) ∙ 𝜂, (1)
де Eуст – енергія, яку виробляє установка, кВт·год; Eінс –
питома енергія, сонячних променів, що падають на по-
верхню, кВт·год/м2; S – площа фотоелементів;
cos(θ) – коефіцієнт положення, θ – кут між напрям-
ком випромінювання до поверхні та нормаллю до цієї
поверхні; η – ККД системи, що складається з ККД
91
Відновлювана енергетика. № 2/2025 | Комплексні проблеми енергетичних систем на основі НВДЕ
перетворювачів енергії та ККД фотоелементів. ККД про-
мислових зразків варіюється від 15 до 24 % [5].
Фотоелектрична система – сукупність спеціальних еле-
ментів, за допомогою яких відбувається перетворення
потоку сонячного випромінювання на електричну енер-
гію. Загалом можна виділити три типи ФЕС:
− автономна;
− резервна (гібридна);
− мережева.
Мережева – базова сонячна установка; потребує мере-
жевого інвертора. Така ФЕС не має акумуляторної бата-
реї для накопичення енергії, тож придатна до генерації
і використання тільки в денний час. Ця система є еконо-
мічно ефективною, простою в проєктуванні, легко керо-
вана і майже не вимагає обслуговування.
Автономна – корисна для споживачів, які не можуть
бути підключені до електромережі, або де таке підклю-
чення ускладнене різними факторами. Акумулятори ви-
користовуються в автономних сонячних фотоелектрич-
них системах для зберігання виробленої в денний час
електроенергії та використання її в майбутньому (на-
приклад, похмурий день, збільшене споживання, бле-
каут тощо), а також вночі.
Гібридна – може бути корисною для споживачів, які вже
підключені до електромережі й хочуть мати певний ре-
зерв електроенергії у випадках, коли є ризик відклю-
чення централізованого електропостачання.
При цьому генерація від ФЕС сильно залежить від пото-
чних погодних умов (рис. 2).
На рис. 2 видно, що генерація майже відсутня в ранкові
та вечірні пікові години споживання. У пікові години ге-
нерації має місце надлишок електроенергії.
Рис. 2. Типовий добовий профіль виробництва електро-
енергії від сонячних панелей залежно від погодних умов
Fig. 2. Typical daily profile of electricity generation from
solar panels depending on weather conditions
Вітрова енергетика. Залежно від положення осі обер-
тання ротора турбіни розрізняють турбіни з горизонталь-
ною віссю (HAWT) і вертикальною віссю (VAWT). У цей час
найчастіше використовуються великі вітрогенератори з
горизонтальною віссю, висота яких може досягати 100 м.
Потужність вітроелектростанцій залежить від конструкції
вітрогенераторів і швидкості вітру. Турбіни з вертикаль-
ною віссю обертання дедалі частіше використовуються в
урбанізованих районах, де їх встановлюють безпосеред-
ньо на будівлях. Лопаті такої конструкції генерують
менше шуму, а їхньою головною перевагою є незалеж-
ність від зміни напрямку вітру, оскільки вони не потребу-
ють використання механізмів для налаштування проти
напрямку вітру, на відміну від турбін з горизонтальною
віссю. Цей тип конструкцій може працювати при низьких
значеннях швидкості вітру й характеризується простою,
легкою в обслуговуванні конструкцією [6].
Значення згенерованої потужності P можна оцінити за
такою формулою (2):
𝑃 =
1
2
∙ 𝜌 ∙ 𝐴 ∙ 𝑉𝑤
3 ∙ 𝐶𝑝, (2)
де ρ — густина повітря, кг/м³; Vw — швидкість вітру,
м/с; A — площа, охоплена лопатями, м²; а Cp — коефі-
цієнт потужності.
Наближені коефіцієнти потужності для різних типів тур-
бін наведені на рис. 3.
Рис. 3. Залежність коефіцієнта потужності від кое-
фіцієнта швидкості кінчика турбіни (tip speed ratio –
TSR) [7]
Fig. 3. Dependence of the power factor on the tip speed ra-
tio (TSR) [7]
TSR знаходять із формули (3):
𝑇𝑆𝑅 =
𝑉𝑡
𝑉𝑤
, (3)
де Vt – тангенціальна швидкість кінчика турбіни, Vw –
швидкість вітру.
Ключові параметри для визначення кількості енергії ві-
тру, що може бути використана, такі:
− географічне положення вітряка;
− коефіцієнт шорсткості (менший для відкритих чи во-
дних просторів і більший для лісів та забудови);
− поточні погодні умови;
− час доби та пора року.
Генерація від вітроустановки більш мінлива і також зде-
більшого залежить від поточних погодних умов (рис. 4).
92
Відновлювана енергетика. № 2/2025 | Комплексні проблеми енергетичних систем на основі НВДЕ
Способи підвищення надійності електропостачання
від ВДЕ.
Технології накопичення енергії. Експлуатація електрич-
них мереж завжди вимагає забезпечення раціональ-
ного балансу між генерацією та споживанням енергії.
Це зумовлено необхідністю постійного контролю про-
позиції відповідно до попиту, адже ці дві складові ма-
ють бути максимально точно узгоджені. Попит на елек-
троенергію можна частково прогнозувати (зростання
ввечері, зниження вночі), що вимагає від електросистем
високої гнучкості. Таку гнучкість забезпечують системні
оператори, які регулюють вихідну потужність залежно
від змін у рівні споживання. Класифікацію накопичува-
чів енергії наведено на рис. 5.
Рис. 4. Типовий добовий профіль виробництва елект-
роенергії від вітроелектростанції
Fig. 4. Typical daily profile of electricity generation from a
wind farm
Рис. 5. Класифікація накопичувачів енергії
Fig. 5. Classification of energy storage devices
Кожна з описаних технологій накопичення енергії має
специфічні характеристики, що визначають доцільність
її застосування в різних умовах. Узагальнені технічні дані
накопичувачів наведено в табл. 2 [8].
Таблиця 2. Зведені характеристики накопичувачів енергії
Table 2. Summary characteristics of energy storage devices
Тип накопичувача
Щільність
енергії,
Вт·год/кг
Потужність
Час
розрядження
Термін
зберігання
Термін
експлуата-
ції, років
ККД, %
Маховик 2,5–1200 0–250 кВт 1 мс–15 хв 1 с–1 рік ±15 85–95
ГАЕС 0,5–1,5 100–5000 МВт 1–24 год год–місяць 40–60 66–75
GES (Gravity Energy
Storage)
1,06 40–150 МВт 30 с–1 год год–місяць 30+ 75–80
ARES (Advanced Rail
Energy Storage)
— 100–3000 МВт 30 с–1 год год–місяць 40+ 75–80
Стиснене повітря 30–60 10–500 МВт 1–24 год год–місяць 20–60 50–65
Водень 800–10000 0–50 МВт 1 хв–1 доба рік+ 10–20 25–45
Суперконденсатор 2,5–15 0–300 кВт 1 мс–60 хв 1 с–1 год 1–15 85–98
Акумулятори (Li-ion) 100–180 0–100 кВт 1 хв–1 год 0–24 год 8–15 85–90
93
Відновлювана енергетика. №1/2025 | Сонячна енергетика
Впровадження систем прогнозування генерації. Без-
пека мережі, регулювання напруги, потужності та управ-
ління резервами забезпечується за допомогою коротко-
строкового прогнозування. На основі середньостроко-
вого прогнозування приймають рішення щодо зо-
бов’язань та планування технічного обслуговування
електромережі. Довгострокове планування допомагає
органам влади планувати виробництво, передачу та
розподіл електроенергії разом зі структуруванням та
функціонуванням ринків електроенергії.
Порівняльні характеристики методів прогнозування на-
ведено в табл. 3.
Таблиця 3. Загальні характеристики методів прогнозування потужності ВДЕ
Table 3. General characteristics of RES capacity forecasting methods
Назва підходу Переваги Недоліки
Моделі сталості
(Persistence approach)
Відносно легкі в реалізації
Можуть бути застосовані для визначення
ефективності інших методів
Точність сильно знижується при зміні хмар-
ності відносно поточного стану
Неточні при прогнозуванні більш як на го-
дину наперед
Фізичні моделі
(Physical approach)
Не потребують наборів історичних даних
Можна адаптувати для створення вхід-
них змінних статистичних моделей
Чутливі до різких змін значень метеорологі-
чних параметрів
Потребують детальних моделей систем з
ВДЕ і локальних вимірювань
Складність отримання вхідних даних
Потребують частих калібрувань записуваль-
них пристроїв
Статистичні моделі
(Statistical approaches)
Надійні для короткострокового прогно-
зування, оскільки використовують досту-
пні метеорологічні дані
Зазвичай перевершують фізичні моделі
Простіші в реалізації
Вимагають значної кількості попередніх вхі-
дних даних
Менш точні для довгострокових прогнозів
Не здатні зафіксувати переривчасту поведі-
нку вхідних змінних
Моделі машинного
навчання (Machine
Learning approaches)
Адаптовані до широкого діапазону пара-
метрів
Потребують великого набору навчаль-
них даних і оптимальної моделі
Навчаються в процесі навчання (системи
на основі знань)
Здатність вловлювати високі нелінійності
потужності
Можуть бути реалізовані для великих си-
стем з більшою точністю
Потребують великого обсягу навчальної ін-
формації
Складні в проєктуванні
Потребують більше обчислювальної пам’яті
та часу для збереження значних обсягів ін-
формації
Гібридні моделі
(Hybrid techniques)
Спроєктовані для підвищення показників
фізичних або статистичних методів
Перевершують всі фізичні моделі.
Загалом часові зміни в історичні дані не за-
раховуються
Вимагають більшого розміру пам’яті та бі-
льше часу для обчислень кількох наборів да-
них, оскільки поєднують різні методи
Моделі сталості (persistence) припускають, що прогно-
зована генерація ФЕС дорівнює фактичній генерації в
аналогічний час попереднього дня [9]. У цьому разі про-
дуктивність сильно залежить від погодних умов – що
стабільніша погода, то краща точність прогнозу.
Використовуючи ефективну математичну модель, фізи-
чні моделі (physical) створюють зв’язок між вихідною
потужністю ФЕС та іншими факторами, включно зі змін-
ними складовими погоди та характеристиками системи.
Ці методи своєю чергою поділяються на чисельний про-
гноз погоди (numeric weather prediction – NWP) та ме-
тоди на основі зображення (image-based approach).
Останні будуються на основі зображень неба з землі чи
з супутника [10].
Статистичні підходи (statistical) здатні встановити коре-
ляцію та моделі змін історичних даних. Методи прогно-
зування на основі часових рядів були розроблені для фі-
ксації кривих кореляції вихідної потужності
енергоустановки, включно з авторегресійним ковзним
середнім (autoregressive moving average – ARMA) та ав-
торегресійним інтегрованим ковзним середнім (auto-
regressive integrated moving – ARIMA). Статистичні ме-
тоди здебільшого зосереджуються на історичних даних,
але ігнорують поточні погодні умови [11].
94
Відновлювана енергетика. № 2/2025 | Комплексні проблеми енергетичних систем на основі НВДЕ
Прогрес у технології штучного інтелекту дозволив роз-
робити методи програмного обчислення з багатьма
змінними, включно з історичними даними та погод-
ними умовами. Ці методи можна розділити на одномо-
дельні (single-model) та гібридні (hybrid-model).
До одномодельних методів належать традиційні алго-
ритми машинного навчання (machine learning – ML) і ал-
горитми глибокого навчання (deep learnin –- DL). Тради-
ційні алгоритми ML охоплюють штучну нейронну
мережу (artificial neural network – ANN), метод опорних
векторів (support vector machine –- SVM), машину екст-
ремального навчання (extreme learning machine – ELM),
регресію Гауса (Gaussian progress regression – GPR)
тощо. Штучна нейронна мережа, яка характеризується
самоадаптацією, застосовується для вирішення неліній-
ного прогнозування потужності енергоустановки. Порів-
няно з традиційними алгоритмами ML моделі DL більш
пристосовані до вивчення функцій вищого порядку та ві-
дображення нелінійних зв’язків. Крім того, парадигми
навчання функцій моделей DL дозволяють застосову-
вати як вхідні необроблені дані без будь-якого перетво-
рення.
Вбудована петля зворотного зв’язку рекурентної ней-
ронної мережі (recurrent neural network –RNN) дає їй
змогу діяти як механізм прогнозування. На основі стру-
ктури зворотного зв’язку інший тип RNN, як довготри-
вала короткочасна пам’ять (long short-term memory –
LSTM), використовується для визначення часових спів-
відношень з історичних даних потужності. Покращені
структури LSTM пропонуються для підвищення характе-
ристик прогнозування фотоелектричної потужності,
включно з фізичними обмеженнями, багатомасштаб-
ними налаштуваннями й компенсацією зміщення. Кон-
волюційна нейронна мережа (сonvolution neural
network – CNN), яка вловлює просторову кореляцію між
суміжними даними або відповідними змінними, може
використовуватися для обробки вхідних даних багатьох
змінних (історичні дані та погодні фактори) або вирі-
шити проблему відсутності деяких вхідних даних у про-
цесі прогнозування.
Існують деякі фактори, що впливають на підвищення то-
чності методів програмного обчислення. По-перше, ви-
сокий рівень стохастичності кривої потужності обмежує
ефективність окремих моделей. По-друге, складно
отримати оптимальну модель, використовуючи пара-
метри, встановлені на основі самих лише емпіричних
даних. Останнім часом було розроблено велику кіль-
кість гібридних моделей для подолання згаданих вузь-
ких місць, які можна розділити на три основні категорії:
декомпозиція даних (data decomposition), алгоритми
оптимізації (optimization algorithm) та ансамблеве про-
гнозування (ensemble forecasting).
Стохастичні дані можна розділити на низькочастотні та
високочастотні компоненти. Методи декомпозиції
спрямовані на розкладання початкових кривих потуж-
ності на підпослідовності з певними характеристиками,
а потім використання відповідних моделей ML або DL
для прогнозування кожного компонента. Зазвичай ви-
користовувані алгоритми декомпозиції складаються з
вейвлет-перетворення (wavelet transform – WT), емпі-
ричної модової декомпозиції (empirical mode
decomposition – EMD), комплементарного ансамбле-
вого емпіричного модового розкладу (complementary
ensemble (empirical mode decomposition – CEEMD) та ме-
тоду варіаційного розкладання моди (variational mode
decomposition – VMD). Застосовуючи вбудований крок
декомпозиції, моделі DL демонструють стабільнішу
продуктивність, наприклад мережа LSTM, CNN.
Хоча декомпозиція даних може покращити якість вхід-
них даних, незалежне моделювання кожної підкомпо-
ненти призведе до збільшення складності та трудоміст-
кості мереж прогнозування. Крім того, декомпозиція
даних значною мірою покладається на процес обробки
сигналів для встановлення прийнятних параметрів [12].
Інтеграція алгоритмів оптимізації є іншою галуззю під-
ходів гібридної моделі. Метаевристичні алгоритми ви-
користовуються для визначення гіперпараметрів моде-
лей, як-от номер шару, номер нейронного вузла та
функції ядра. Зазвичай використовувані методи оптимі-
зації охоплюють генетичний алгоритм (gemetic
algorithm GA), оптимізація рою часток (particle swarm
optimization – PSO), у якому ітеративно перевіряють па-
раметри, доки функція призначення не зійдеться до оп-
тимального значення. Ці алгоритми оптимізації можуть
бути об’єднані з іншими моделями для прогнозування
фотоелектричної потужності [13].
У структурі ансамблевого навчання кілька слабких пре-
дикторів навчаються та інтегруються для формування
потужного предиктора, який може подолати недоліки
алгоритмів, використаних окремо.
Аналогічні результати показують й інші дослідження
[14].
Висновки
Стандарти якості енергії є критично важливими для ста-
більної роботи мереж з відновлюваними джерелами
енергії (ВДЕ). Дотримання параметрів напруги, частоти,
гармонік та інших показників забезпечує сумісність ВДЕ
з традиційною інфраструктурою.
Сонячна та вітрова енергетика мають значний потен-
ціал, але їх інтеграцію ускладнює мінливість генерації,
залежність від погоди та невідповідність між піками ви-
робництва та споживання. Технології накопичення ене-
ргії є ключовими для балансування генерації та спожи-
вання. Моделі машинного навчання (LSTM, CNN)
демонструють високу точність завдяки здатності аналі-
зувати нелінійні залежності. Водночас гібридні підходи
(поєднання фізичних моделей з алгоритмами оптиміза-
ції) підвищують надійність прогнозів.
Подальшу роботу варто зосередити на вдосконаленні
накопичувачів, збільшенні щільності енергії та терміну
служби акумуляторів, розробці водневих систем.
95
Відновлювана енергетика. № 2/2025 | Комплексні проблеми енергетичних систем на основі НВДЕ
ПОСИЛАННЯ
1. Правила улаштування електроустановок (перше пе-
реглянуте, перероблене, доповнене та адаптоване
до умов України видання), ред. 2017 року.
2. Національна комісія, що здійснює державне регулю-
вання у сферах енергетики та комунальних послуг.
Головна | Національна комісія, що здійснює держа-
вне регулювання у сферах енергетики та комуналь-
них послуг. URL: https://www.nerc.gov.ua/sferi-diyal-
nosti/elektroenergiya/yakist-
elektropostachannya/yakist-elektrichnoyi-energiyi
(дата звернення: 07.02.2025).
3. Extraterrestrial Radiation. PV Performance Modeling
Collaborative (PVPMC). URL: https://pvpmc.san-
dia.gov/modeling-guide/1-weather-design-inputs/irra-
diance-insolation/extraterrestrial-r[adiation/ (дата
звернення: 07.02.2025).
4. Коровушкін В. О., Дубовик В. Г., Босак А. В. Оціню-
вання параметрів системи одноосьової орієнтації
фотоелектричного модуля. «Енергетика: економіка,
технології, екологія». 2021. № 4. С. 23–29. URL:
https://doi.org/10.20535/1813-5420.4.2021.257249
(дата звернення: 07.02.2025).
5. Best Research-Cell Efficiency Chart. National Renewable
Energy Laboratory (NREL) Home Page | NREL. URL:
https://www.nrel.gov/pv/cell-efficiency.html
(дата звернення: 07.02.2025).
6. Optimization of the Small Wind Turbine Design–Perfor-
mance Analysis / M. Jaszczur et al. Computation. 2024.
Vol. 12, no. 11. P. 215. URL:
https://doi.org/10.3390/computation12110215 (дата
звернення: 07.02.2025).
7. The Ragone plots guided sizing of hybrid storage system
for taming the wind power / Y. Zhang et al. International
Journal of Electrical Power & Energy Systems. 2015. Vol.
65. P. 246–253. URL:
https://doi.org/10.1016/j.ijepes.2014.10.006 (дата
звернення: 07.02.2025).
8. Мирутенко П., Листовщик Л. Накопичувачі енергії.
основні типи та перспективи використання. Енерге-
тика: економіка, технології, екологія. 2023. № 4. URL:
https://doi.org/10.20535/1813-5420.4.2022.273433
(дата звернення: 07.02.2025).
9. Review of solar irradiance forecasting methods and a
proposition for small-scale insular grids / M. Diagne et
al. Renewable and Sustainable Energy Reviews. 2013.
Vol. 27. P. 65–76. URL:
https://doi.org/10.1016/j.rser.2013.06.042
(дата звернення: 07.02.2025).
10. Completed Review of Various Solar Power Forecasting
Techniques Considering Different Viewpoints / Y.-K. Wu
et al. Energies. 2022. Vol. 15, no. 9. P. 3320. URL:
https://doi.org/10.3390/en15093320
(дата звернення: 07.02.2025).
11. Wang J., Zhou Y., Li Z. Hour-ahead photovoltaic genera-
tion forecasting method based on machine learning and
multi objective optimization algorithm. Applied Energy.
2022. Vol. 312. P. 118725. URL:
https://doi.org/10.1016/j.apenergy.2022.118725 (дата
звернення: 07.02.2025).
12. Using PSO-GA algorithm for training artificial neural net-
work to forecast solar space heating system parameters
/ B. Jamali et al. Applied Thermal Engineering. 2019. Vol.
147. P. 647–660. URL: https://doi.org/10.1016/j.ap-
plthermaleng.2018.10.070
(дата звернення: 07.02.2025).
13. Review of solar irradiance forecasting methods and a
proposition for small-scale insular grids / M. Diagne et
al. Renewable and Sustainable Energy Reviews. 2013.
Vol. 27. P. 65–76 URL:
http://dx.doi.org/10.1016/j.rser.2013.06.042
(дата звернення: 07.02.2025).
14. Boichenko, S., Dubovyk, V., Shkilniuk, I., Korovushkin,
V., Khotian, A. (2024). Research on Photovoltaic Power
Prediction Using an LSTM Recurrent Neural Network. In:
Babak, V., Zaporozhets, A. (eds) Systems, Decision and
Control in Energy VI. Studies in Systems, Decision and
Control, vol 552. Springer, Cham.
https://doi.org/10.1007/978-3-031-67091-6_19 (дата
звернення: 07.02.2025).
REFERENCES
1. Rules for the Installation of Electrical Installations (first
revised, revised, supplemented and adapted to the con-
ditions of Ukraine), 2017 edition.
2. National Commission for State Regulation of Energy and
Public Utilities. Home | National Energy and Utilities
Regulatory Commission. URL:
https://www.nerc.gov.ua/sferi-diyalnosti/elektroener-
giya/yakist-elektropostachannya/yakist-elektrichnoyi-
energiyi (accessed 07.02.2025).
3. Extraterrestrial Radiation. PV Performance Modeling
Collaborative (PVPMC). URL:
https://pvpmc.sandia.gov/modeling-guide/1-weather-
design-inputs/irradiance-insolation/extraterrestrial-
r[adiation/ (accessed 07.02.2025).
4. Korovushkin V. O., Dubovyk V. G., Bosak A. V. Estimated
Parameters in the Systems of a Single-Axis Orientacis of
a Photoelectric Module. “POWER ENGINEERING: eco-
nomics, technique, ecology”. 2021. № 4. P. 23–29. URL:
https://doi.org/10.20535/1813-5420.4.2021.257249
(accessed 07.02.2025).
5. Best Research-Cell Efficiency Chart. National Renewable
Energy Laboratory (NREL) Home Page | NREL. URL:
https://www.nrel.gov/pv/cell-efficiency.html (accessed
07.02.2025).
6. Optimization of the Small Wind Turbine Design–Perfor-
mance Analysis / M. Jaszczur et al. Computation. 2024.
Vol. 12, no. 11. P. 215. URL:
https://doi.org/10.3390/computation12110215 (ac-
cessed 07.02.2025).
96
Відновлювана енергетика. № 2/2025 | Комплексні проблеми енергетичних систем на основі НВДЕ
7. The Ragone plots guided sizing of hybrid storage system
for taming the wind power / Y. Zhang et al. International
Journal of Electrical Power & Energy Systems. 2015. Vol.
65. P. 246–253. URL:
https://doi.org/10.1016/j.ijepes.2014.10.006 (accessed
07.02.2025).
8. Mirutenko P., Lystovschyk LENERGY STORAGE DEVICES.
MAIN TYPES AND PROSPECTS OF APPLICATION. POWER
ENGINEERING: economics, technique, ecology. 2023. №
4. URL:
https://doi.org/10.20535/1813-5420.4.2022.273433
(accessed 07.02.2025).
9. Review of solar irradiance forecasting methods and a
proposition for small-scale insular grids / M. Diagne et
al. Renewable and Sustainable Energy Reviews. 2013.
Vol. 27. P. 65–76. URL:
https://doi.org/10.1016/j.rser.2013.06.042 (accessed
07.02.2025).
10. Completed Review of Various Solar Power Forecasting
Techniques Considering Different Viewpoints / Y.-K. Wu
et al. Energies. 2022. Vol. 15, no. 9. P. 3320. URL:
https://doi.org/10.3390/en15093320
(accessed 07.02.2025).
11. Wang J., Zhou Y., Li Z. Hour-ahead photovoltaic genera-
tion forecasting method based on machine learning and
multi objective optimization algorithm. Applied Energy.
2022. Vol. 312. P. 118725. URL:
https://doi.org/10.1016/j.apenergy.2022.118725 (ac-
cessed 07.02.2025).
12. Using PSO-GA algorithm for training artificial neural net-
work to forecast solar space heating system parameters
/ B. Jamali et al. Applied Thermal Engineering. 2019. Vol.
147. P. 647–660. URL: https://doi.org/10.1016/j.ap-
plthermaleng.2018.10.070 (accessed 07.02.2025).
13. Review of solar irradiance forecasting methods and a
proposition for small-scale insular grids / M. Diagne et
al. Renewable and Sustainable Energy Reviews. 2013.
Vol. 27. P. 65–76 URL:
http://dx.doi.org/10.1016/j.rser.2013.06.042
(accessed 07.02.2025).
14. Boichenko, S., Dubovyk, V., Shkilniuk, I., Korovushkin,
V., Khotian, A. (2024). Research on Photovoltaic Power
Prediction Using an LSTM Recurrent Neural Network. In:
Babak, V., Zaporozhets, A. (eds) Systems, Decision and
Control in Energy VI. Studies in Systems, Decision and
Control, vol 552. Springer, Cham.
https://doi.org/10.1007/978-3-031-67091-6_19 (ac-
cessed 07.02.2025).
|
| id | veorgua-article-529 |
| institution | Vidnovluvana energetika |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-07-19T01:15:49Z |
| publishDate | 2025 |
| publisher | Institute of Renewable Energy National Academy of Sciences of Ukraine |
| record_format | ojs |
| resource_txt_mv | veorgua/6f/540b8b0937c17e5985628f56c8dafb6f.pdf |
| spelling | veorgua-article-5292026-07-18T06:32:22Z IMPROVING THE RELIABILITY OF ELECTRICITY SUPPLY FROM NON-TRADITIONAL AND RENEWABLE ENERGY SOURCES ПІДВИЩЕННЯ НАДІЙНОСТІ ЕЛЕКТРОПОСТАЧАННЯ ВІД НЕТРАДИЦІЙНИХ ТА ВІДНОВЛЮВАНИХ ДЖЕРЕЛ ЕНЕРГІЇ Korovushkin , V. Bosak , A. solar energy, wind energy, energy storage, power quality, energy efficiency, generation, power system. сонячна енергія, вітрова енергія, накопичувачі енергії, якість електроенергії, енерго-ефективність, генерування, енергосистема. The article presents and analyzes the current legislation in the field of electricity quality regulation. The emphasis is on compliance with standards. The main requirements include: permissible deviations of voltage, frequency, limitation of harmonic distortion, control of flicker and reverse sequence components. Voltage control devices should maintain its level within 100-105% of the nominal value depending on the load. The features of solar and wind energy were characterized. Thus, solar systems (SPPs) are divided into grid-connected, stand-alone, and hybrid. Generation depends on insolation, angle of incidence, panel efficiency, and weather. A typical production profile has peaks during the day, which does not coincide with evening consumption peaks.  Wind turbines are classified by the type of rotor axis (HAWT, VAWT). The power of wind turbines is calculated using a formula that takes into account wind speed, air density and power factor Cₚ (0.2-0.5 for HAWT). Generation is highly variable, especially in unstable wind conditions. In addition, technologies to improve reliability have been proposed, in particular: energy storage (lithium-ion batteries, gravity (GES) and pumped storage (PSH) systems, hydrogen storage).  The methods of generation forecasting are analyzed: sustainability models, physical models, machine learning and hybrid methods. Integration of renewable energy sources requires infrastructure adaptation to their variability. The key areas are the introduction of high-efficiency storage, the development of hybrid forecasting models, and compliance with energy quality standards. Prospects are associated with the improvement of hydrogen technologies, longer battery life, and automation of grid management. У статті наведено та проаналізовано чинне законодавство в частині регулювання якості електроенергії. Акцентовано на дотриманні стандартів. Серед основних вимог – допустимі відхилення напруги, обмеження гармонічних спотворень, контроль флікера та складових зворотної послідовності. Пристрої регулювання напруги мають підтримувати її рівень у межах 100–105 % номінального значення залежно від навантаження. Було охарактеризовано особливості сонячної та вітрової енергетики. Так, сонячні системи (ФЕС) поділяються на мережеві, автономні й гібридні. Генерація залежить від інсоляції, кута падіння променів, ККД панелей та погоди. Типовий профіль виробництва має піки вдень, що не збігається з вечірніми максимумами споживання.  Вітрові установки класифікуються за типом осі ротора (HAWT, VAWT). Потужність вітрогенераторів визначають за формулою, що враховує швидкість вітру, густину повітря та коефіцієнт потужності Cₚ (0,2–0,5 для HAWT). Генерація відрізняється високою мінливістю, особливо в умовах нестабільних вітрів. Крім того, було запропоновано технології підвищення надійності, зокрема накопичувачі енергії, та проаналізовано способи прогнозування генерації. Інтеграція ВДЕ вимагає адаптації інфраструктури до їхньої мінливості. Institute of Renewable Energy National Academy of Sciences of Ukraine 2025-06-30 Article Article application/pdf https://ve.org.ua/index.php/journal/article/view/529 10.36296/1819-8058.2025.2(81).88-96 Vidnovluvana energetika ; No. 2(81) (2025): Scientific and applied Journal renewable energy ; 88-96 Возобновляемая энергетика; ##issue.no## 2(81) (2025): Scientific and applied Journal renewable energy ; 88-96 Відновлювана енергетика; № 2(81) (2025): Науково-прикладний журнал Відновлювана енергетика; 88-96 2664-8172 1819-8058 10.36296/1819-8058.2025.2(81) uk https://ve.org.ua/index.php/journal/article/view/529/437 Copyright (c) 2025 V. Korovushkin , A. Bosak https://creativecommons.org/licenses/by-nc-nd/4.0 |
| spellingShingle | solar energy wind energy energy storage power quality energy efficiency generation power system. Korovushkin , V. Bosak , A. IMPROVING THE RELIABILITY OF ELECTRICITY SUPPLY FROM NON-TRADITIONAL AND RENEWABLE ENERGY SOURCES |
| title | IMPROVING THE RELIABILITY OF ELECTRICITY SUPPLY FROM NON-TRADITIONAL AND RENEWABLE ENERGY SOURCES |
| title_alt | ПІДВИЩЕННЯ НАДІЙНОСТІ ЕЛЕКТРОПОСТАЧАННЯ ВІД НЕТРАДИЦІЙНИХ ТА ВІДНОВЛЮВАНИХ ДЖЕРЕЛ ЕНЕРГІЇ |
| title_full | IMPROVING THE RELIABILITY OF ELECTRICITY SUPPLY FROM NON-TRADITIONAL AND RENEWABLE ENERGY SOURCES |
| title_fullStr | IMPROVING THE RELIABILITY OF ELECTRICITY SUPPLY FROM NON-TRADITIONAL AND RENEWABLE ENERGY SOURCES |
| title_full_unstemmed | IMPROVING THE RELIABILITY OF ELECTRICITY SUPPLY FROM NON-TRADITIONAL AND RENEWABLE ENERGY SOURCES |
| title_short | IMPROVING THE RELIABILITY OF ELECTRICITY SUPPLY FROM NON-TRADITIONAL AND RENEWABLE ENERGY SOURCES |
| title_sort | improving the reliability of electricity supply from non-traditional and renewable energy sources |
| topic | solar energy wind energy energy storage power quality energy efficiency generation power system. |
| topic_facet | solar energy wind energy energy storage power quality energy efficiency generation power system. сонячна енергія вітрова енергія накопичувачі енергії якість електроенергії енерго-ефективність генерування енергосистема. |
| url | https://ve.org.ua/index.php/journal/article/view/529 |
| work_keys_str_mv | AT korovushkinv improvingthereliabilityofelectricitysupplyfromnontraditionalandrenewableenergysources AT bosaka improvingthereliabilityofelectricitysupplyfromnontraditionalandrenewableenergysources AT korovushkinv pídviŝennânadíjnostíelektropostačannâvídnetradicíjnihtavídnovlûvanihdžerelenergíí AT bosaka pídviŝennânadíjnostíelektropostačannâvídnetradicíjnihtavídnovlûvanihdžerelenergíí |