Короткострокове прогнозування генерації фотоелектричних станцій для задач зменшення небалансів в енергосистемі

Скорочена інформація про документ
dc.contributor.advisorБосак, Алла Василівна
dc.contributor.authorМатушкін, Дмитро Сергійович
dc.date.accessioned2024-06-18T08:40:24Z
dc.date.available2024-06-18T08:40:24Z
dc.date.issued2024
dc.description.abstractМатушкін Д. С. Короткострокове прогнозування генерації фотоелектричних станцій для задач зменшення небалансів в енергосистемі. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 141 “Електроенергетика, електротехніка та електромеханіка”, галузь знань 14 “Електрична інженерія”. – Національний технічний університет України “Київський політехнічний інститут імені Ігоря Сікорського”, Київ, 2024. У дисертаційній роботі вирішена актуальна науково-технічна задача, спрямована на підвищення балансової надійності електроенергетичної системи в контексті широкого застосування відновлюваних джерел енергії. Основу цієї роботи складало покращення точності короткострокового прогнозування генерації фотоелектричних станцій (ФЕС). Дисертація складається із вступу, чотирьох розділів, висновків та додатків. Основний текст викладено на 137 сторінках друкованого тексту, містить 52 рисунки, 24 таблиці та 4 додатки. В першому розділі дослідження розглянуто ключовий аспект української енергетики, а саме потенціал сонячної енергії, який відіграє важливу роль у відновлюваному енергетичному секторі. В цьому контексті проведено аналіз актуальних викликів, з якими стикається Україна під час інтеграції ФЕС та інших відновлюваних джерел енергії, з використанням міжнародного досвіду як важливої точки відліку. Особлива увага приділена системному підходу до трансформації енергетичної системи. В цьому розділі також розглянуті проблеми, пов’язані зі зношеністю традиційних джерел енергії, таких як атомні, вугільні та газові електростанції, які є основними постачальниками електроенергії в Україні та в інших країнах. Особливий акцент зроблено на їх високій емісії парникових газів, що сприяє зміні клімату та забрудненню повітря. Ця проблема створює необхідність пошуку більш екологічно чистих джерел енергії для зменшення негативного впливу на довкілля та адаптації до міжнародних екологічних стандартів. Крім того, висвітлено проблеми, пов’язані із обмеженим ресурсом життя та зношенням традиційних енергетичних установок, що можуть призвести до зниження їхньої ефективності та надійності, а також підвищити ризик аварій та виробничих простоїв. Додатково, розділ надає огляд сучасних тенденцій у впровадженні фотоелектричних станцій в Україні, наводячи динаміку приросту встановленої потужності ФЕС за останні роки. Особлива увага приділяється визначенню основних вимог та проблем у прогнозуванні генерації ФЕС, які становлять базу для подальших досліджень у галузі відновлюваної енергетики. В другому розділі аналізуються метеодані, що визначають функціонування ФЕС в розглянутому регіоні. Вихідні дані, які стосуються фотоелектричної генерації та метеоданих Київської області, були зібрані на основі вимірів, проведених на Димерській фотоелектричній станції. Загальна кількість даних складала понад 80 тисяч зразків з вимірів тривалістю 10 хвилин, отриманих в період від 1 січня 2020 року до 1 серпня 2021 року. Ця обсяжна база даних дозволила провести докладний аналіз умов роботи фотоелектричних панелей загальною потужністю 9 МВт, які можуть бути агреговані та представлені у параметричній формі. Розглянуто фактори, які впливають на прогнозування генерації електроенергії, і вказано на проблеми та похибки, які властиві сучасним методам прогнозування. Виділяється важливість адаптації моделей прогнозування до конкретних кліматичних умов і враховання особливостей місцевості, включаючи кут підйому Сонця та вплив природних факторів, таких як запиленість фотоелектричних панелей та опади. Детально аналізується кореляційні залежності між метеорологічними параметрами та вихідною потужністю Димерської ФЕС. Позитивна кореляція виявлена між вихідною потужністю і сонячним випромінюванням (0,92), температурою (0,62) та швидкістю вітру (0,46), що свідчить про їх важливість для прогнозування. Негативна залежність вихідної потужності відзначена з вологістю (-0,64), хмарністю (-0,23) та індексом погоди (-0,24), підкреслюючи негативний вплив похмурої та дощової погоди на вироблену потужність. Також відзначено нульову кореляцію вихідної потужності з такими параметрами як атмосферний тиск (-0,18) та напрямок вітру (-0,11), з підкресленням важливості розуміння нелінійних залежностей. Зазначається про періодичні коливання виробленої потужності, спричинені різними метеорологічними умовами та раптовими змінами протягом коротких періодів. Вказується на складність прогнозування генерації енергії через різкі зміни погоди. Проведено дослідження динаміки генерації та впливу метеорологічних факторів на роботу Димерської ФЕС. Проведені вимірювання вказують на важливість температури повітря для ефективності фотоелектричних панелей, а також на важливість вологості повітря та швидкості вітру. Температура фотоелектричної комірки впливає на напругу фотоелектричних панелей та, відповідно, на їх ефективність. При температурі +35 °C потужність панелі потужністю 270 Вт може зменшитись до 257 Вт, а при -20 °C збільшитись до 298 Вт. Зазначено, що аналогічно до температури, напруга панелі може залежати від інтенсивності світлового потоку. Фотоелектричні панелі перетворюють світлову енергію на електричну за допомогою фотоелектричного ефекту. Чим більше світла падає на панель, тим більше електричної енергії вона виробляє. Проте, є певна межа, до якої може зростати напруга при збільшенні освітленості. Це пов'язано з фізичними обмеженнями матеріалів, з яких виготовлені фотоелектричні панелі, та їхніми конструкційними особливостями. Коли освітленість стає дуже високою, ефективність перетворення світлової енергії може зменшуватись або взагалі зупинитись через насичення матеріалу чи інші фізичні причини. У третьому розділі подано аналітичний огляд методів та моделей прогнозування, в якому аналізуються підходи такі як фізичиний, статистичний, машинного навчання, гібридний та ансамблевий. Вибір найбільш відповідного методу залежить від конкретних потреб і наявних обчислювальних ресурсів. Важливими аспектами оцінки є вибір відповідних метрик для вимірювання точності, використання незалежних тестових наборів даних та стандартизація показників для спрощення порівнянь між різними методами та моделями. Важливо здійснювати порівняння з еталонними моделями для встановлення стандартів та стимулювання інновацій у сфері прогнозування сонячної активності, а також враховувати регіональні особливості. Метод “Бенчмаркінг прогнозів” розглядається як корисний інструмент, який допомагає уникнути суб’єктивності в оцінці прогнозів і сприяє об’єктивному вдосконаленню методів прогнозування. Крім того, бенчмаркінг допомагає встановити стандарти якості та стимулює розвиток галузі сонячної енергії. В розділі представлені результати розробки та вдосконалення моделей прогнозування генерації фотоелектричної енергії. Серед розглянутих моделей: модель експоненційного згладжування [82, 108, 109], модель сезонної інтегрованої авторегресії з рухомим середнім (SARIMA – Seasonal Autoregressive Integrated Moving Average) [23, 26, 76, 111], регресійні моделі [41, 77, 78, 121] та модель штучної нейронної мережі типу “Довга короткочасна пам’ять” (LSTM-RNN – Long Short-Term Memory-Recurrent Neural Network) [24, 93, 114- 117, 119]. Виявлено обмеження класичної моделі експоненційного згладжування у сонячному прогнозуванні та запропоновано оновлену версію цієї моделі, яка виявилася ефективнішою та точнішою в передбаченні генерації ФЕС з перервами у вимірюваннях. Однак, не абсолютно точною. Для врахування сезонності генерації розглядалася модель SARIMA. Також досліджено моделі регресії, включаючи лінійну регресію, регресію з регуляризацією та “Випадковий ліс”, які враховують вплив різних факторів, таких як сонячне випромінювання, температура та вологість, на генерацію ФЕС. Встановлено, що моделі, які працювали із 10-хвилинними і щоденними інтервалами, були досить точними, з коефіцієнтом детермінації більшим за 0,94 для кожного з них. Модель “Випадкового лісу” на 10-хвилинних інтервалах показала найкращі результати, в той час як лінійна регресія на щоденних інтервалах була найбільш ефективною. Розглянута глибока рекурентна нейронна мережа LSTM-RNN може працювати без великої кількості історичних даних про сонячне випромінювання. Модель LSTM-RNN показала конкурентоспроможні результати в порівнянні з іншими моделями, здатність прогнозувати нелінійні взаємозв’язки та демонструвати високу точність. Значення RMSE та MAE для найефективнішої моделі на рівні 5% та 3,94% відносно встановленої потужності Димерської ФЕС, відповідно, підкреслюють її потенціал як надійного і точного інструмента для прогнозування фотоелектричної енергії. В четвертому розділі аналізується вплив великого приросту сонячної енергії на балансову надійність енергосистеми. Нестабільність у роботі ФЕС може порушити баланс в енергосистемі та якість електропостачання, вимагаючи від виробників енергії постійно адаптуватися та використовувати точне прогнозування для забезпечення стабільності енергосистеми. Розкривається зміст поняття “небалансу” та розглядаються різні сценарії його можливого виникнення. Небаланс енергії в енергосистемі є вагомою проблемою, яка виникає, коли обсяги виробництва та споживання електроенергії не узгоджуються. Ця ситуація може призвести до критичних перешкод у функціонуванні електроенергетичної системи, таких як перевантаження або дефіцит електроенергії. Досвід інтеграції відновлюваних джерел енергії в електричні мережі підкреслює, що існуючі електромережі не готові до масштабного впровадження відновлюваних джерел енергії, що вимагає широкого спектру оптимізаційних задач. У цьому контексті також детально проаналізовані існуючі показники оцінювання балансової надійності енергосистеми, які, на жаль, не враховують вплив метеорологічних умов та не надають можливості оцінювати стабільність генерації ФЕС щодо графіка споживання електроенергії. Окрім цього, розділ присвячений оцінці похибок розроблених моделей, які використовуються для передбачення небалансу енергії. Для порівняння моделей використовувався метод “Бенчмаркінг прогнозів” [46, 95, 103] з використанням різних метрик, таких як RMSE, MAE, R2 . Виявлено, що ці похибки можуть бути значними та впливати на ефективність управління енергосистемою. Оцінка моделей вказує на те, що модель LSTM-RNN виявилася найточнішою з усіх розглянутих, показуючи високу точність результатів. Інші моделі, такі як SARIMA та Random Forest, також демонструють прийнятні результати, але LSTM-RNN видається найбільш ефективною. Оцінка небалансів, після отримання прогнозу генерації ФЕС на основі моделі LSTM-RNN, показала прийнятний рівень генерації з низькими відсотками відхилень “вгору” і “вниз”. Аналіз середніх відхилень прогнозних та фактичних значень генерації вказує на те, що розроблена модель має високу точність, а енергосистема стабільність в управлінні потужністю.
dc.description.abstractotherMatushkin D. Short-Term Photovoltaic Power Plant Generation Forecasting for the Purpose of Mitigating Imbalances in the Electric Power System. – Qualification Scientific Work as a Manuscript. Thesis for a Doctor of Philosophy Degree in Specialty 141 “Electric Power Engineering, Electrical Engineering and Electromechanics”, field of knowledge 14 “Electrical engineering”. – National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, Kyiv, 2024. The thesis aims at enhancing the balance reliability of the electrical power system in the context of widespread utilization of renewable energy sources. The core of this work centered on improving the accuracy of short-term photovoltaic power plant generation forecasting. The thesis comprises an introduction, five chapters, conclusions, and appendices. The main body of the text is presented over 137 pages of printed material, including 52 figures, 24 tables, and 4 appendices. In the first chapter of the research, a critical aspect of Ukrainian energy, namely the potential of solar energy, which plays a significant role in the renewable energy sector, is examined. In this context, an analysis of the current challenges that Ukraine faces during the integration of photovoltaic power plants (PVPPs) and other renewable energy sources (RES) is conducted, with the utilization of international experience as an important reference point. Special attention is given to the systemic approach to transforming the energy system. This chapter also discusses issues related to the wear and tear of traditional energy sources, such as nuclear, coal and gas power plant, which are the primary electricity providers in Ukraine and other countries. Emphasis is placed on their high greenhouse gas emissions, contributing to climate change and air pollution. This problem necessitates the search for cleaner sources of energy to reduce the negative environmental impact and adapt to international environmental standards. Furthermore, the chapter highlights problems associated with the limited lifespan and deterioration of traditional energy facilities, which can lead to reduced efficiency and reliability, as well as an increased risk of accidents and production downtime. Additionally, the chapter provides an overview of current trends in the implementation of PVPPs in Ukraine, citing the dynamics of installed PVPPs capacity growth in recent years. Special attention is given to identifying the key requirements and challenges in PVPPs generation forecasting, which serve as the basis for further research in the field of renewable energy. The second chapter focuses on the analysis of meteorological data that determine the operation of PVPPs in the considered region. Initial data related to PV generation and meteorological data in the Kyiv region were collected based on measurements conducted at the Dymer PVPP. The extensive dataset consisted of over 80.000 samples of 10-minute measurements obtained from January 1, 2020, to August 1, 2021. This substantial database enabled a detailed analysis of the operating conditions of photovoltaic panels with a total capacity of 9 MW, which can be aggregated and presented in parametric form. Factors influencing electricity generation forecasting are examined, highlighting the problems and errors inherent in modern forecasting methods. The importance of adapting forecasting models to specific climatic conditions and considering local terrain features, including the angle of solar elevation and the influence of natural factors such as panel dustiness and precipitation, is emphasized. The chapter thoroughly analyzes the correlation between weather parameters and the output power of the Dymerska PVPP. Positive correlations are observed between output power and solar radiation (0.92), temperature (0.62), and wind speed (0.46), highlighting their significance for forecasting. Negative correlations of output power are noted with humidity (-0.64), cloud cover (-0.23) and weather index (-0.24), emphasizing the negative impact of cloudy and rainy weather on generated power. Additionally, zero correlation is identified between output power and parameters such as atmospheric pressure (-0.18) and wind direction (-0.11), highlighting the importance of understanding nonlinear dependencies. The chapter points out periodic fluctuations in generated power caused by various meteorological conditions and sudden changes over short periods. It emphasizes the complexity of energy generation forecasting due to rapid weather changes. Research is conducted on the dynamics of generation and the impact of weather factors on the operation of Dymerska PVPP. The measurements conducted indicate the importance of air temperature for the efficiency of photovoltaic panels, as well as the significance of air humidity and wind speed. The temperature of the photovoltaic cell affects the voltage of the panels and, consequently, their efficiency. At +35°C, the power of a 270 W panel may decrease to 257 W, while at -20°C, it may increase to 298 W. Similarly to temperature, panel voltage may depend on the intensity of light flux. PV panels convert light energy into electricity using the photoelectric effect. The more light falls on the panel, the more electrical energy it produces. However, there is a limit to how much voltage can increase with increasing brightness. This is due to the physical limitations of the materials from which photovoltaic panels are made and their design features. When brightness becomes very high, the efficiency of light energy conversion may decrease or stop altogether due to material saturation or other physical reasons. The third chapter provides an analytical overview of forecasting models, which includes an analysis of approaches such as physical, statistical, machine learning, hybrid, and ensemble methods. The choice of the most suitable method depends on specific needs and available computational resources. Key aspects of the evaluation include selecting appropriate metrics for accuracy measurement, using independent test datasets, and standardizing metrics for simplifying comparisons between different methods and models. It is important to make comparisons with benchmark models to establish quality standards and stimulate innovation in solar activity forecasting, while also considering regional peculiarities. The “Forecast Benchmarking” method is considered as useful tool to avoid subjectivity in forecast evaluations and promotes objective improvements in forecasting methods. Additionally, benchmarking helps set quality standards and drives the development of the solar energy field. The chapter presents the results of the research on the development and improvement of photovoltaic energy generation forecasting models. Among the models considered are: Exponential Smoothing Model [82, 108, 109], Seasonal Autoregressive Integrated Moving Average (SARIMA) Model [23, 26, 76, 111], Regression Models [41, 77, 78, 121], and the Long Short-Term Memory-Recurrent Neural Network (LSTMRNN) Model [24, 93, 114-117, 119]. Limitations of the classical exponential smoothing model in solar forecasting were identified, and an updated version of this model was proposed, which proved to be more effective and accurate in predicting PVPP generation with data gaps. To account for seasonality in PV generation, the SARIMA model was explored, leading to a significant improvement in the accuracy of one-day-ahead forecasts. Regression models were investigated, including Linear Regression, Regularized Regression, and Random Forest, which considered the influence of various weather factors. It was established that models working with 10-minute and daily intervals were quite accurate, with a coefficient of determination greater than 0,94 for each of them. The Random Forest model at 10-minute intervals yielded the best results, while Linear Regression at daily intervals was the most effective. The deep recurrent neural network LSTM-RNN can work with a limited amount of historical solar irradiance data. The LSTM-RNN model showcased strong performance relative to alternative models, being able to predict nonlinear relationships with a high accuracy. The RMSE and MAE values for the most effective model at 5% and 3.94 to the installed capacity of the Dymerska PVPP, respectively, underscore its potential as a reliable and accurate tool for photovoltaic energy forecasting. The fourth chapter examines the impact of a substantial increase in PV energy on the energy system's balance reliability. The instability of PV systems can disrupt the energy system balance and the quality of electricity supply, requiring energy producers to constantly adapt and use accurate forecasting to ensure system stability. The concept of “imbalance” is explained, addressing scenarios of electricity production and consumption mismatch leading to critical power system issues. Integrating renewable energy sources into electrical grids underscores that existing power grids are unprepared for large-scale implementation, requiring a wide range of optimization tasks. In this context, existing indicators for assessing the balance reliability of the power system are also thoroughly analyzed, which unfortunately do not consider the impact of meteorological conditions and do not allow for evaluating the stability of PV generation concerning the electricity consumption schedule. Additionally, the chapter focuses on evaluating the errors of developed models used to predict energy imbalances. The "Forecast Benchmarking" method [46, 95, 103] was used to compare models using various metrics such as RMSE, MAE, and R2. It was found that these errors can be significant and affect the efficiency of energy system management. Model evaluation indicates that the LSTM-RNN model was the most accurate of all considered, demonstrating high accuracy of results. Other models such as SARIMA and Random Forest also show acceptable results, but LSTM-RNN appears to be the most effective. Evaluation of imbalances after obtaining PV generation forecasts based on the LSTM-RNN model showed an acceptable level of generation with low percentages of deviations "up" and "down." Analysis of the average deviations between forecasted and actual generation values indicates that the developed model has high accuracy, and the power system exhibits stability in power management.
dc.format.extent176 с.
dc.identifier.citationМатушкін, Д. С. Короткострокове прогнозування генерації фотоелектричних станцій для задач зменшення небалансів в енергосистемі : дис. ... д-ра філософії : 141 Електроенергетика, електротехніка та електромеханіка / Матушкін Дмитро Сергійович. - Київ, 2024. - 176 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/67220
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectвідновлювані джерела енергії
dc.subjectфотоелектрична станція (ФЕС)
dc.subjectпрогнозування сонячної радіації
dc.subjectсонячне випромінювання
dc.subjectоптимізація ФЕС
dc.subjectметеоумови
dc.subjectВДЕ в складі енергосистеми
dc.subjectбалансова надійність
dc.subjectнебаланси
dc.subjectRenewable Energy Sources
dc.subjectPV plant
dc.subjectSolar Irradiation Forecasting
dc.subjectSolar Irradiation
dc.subjectPhotovoltaic Plant Optimization
dc.subjectMeteorological Conditions
dc.subjectRenewable Energy into the Power System
dc.subjectBalance Reliability
dc.subjectImbalances
dc.subject.udc621.31:621.311.243:519.876.5](477.41)(043.3)
dc.titleКороткострокове прогнозування генерації фотоелектричних станцій для задач зменшення небалансів в енергосистемі
dc.typeThesis Doctoral

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Matushkin_dys.pdf
Розмір:
5.16 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Дисертації (АЕМК)
Дисертації (вільний доступ)