КОНЦЕПЦІЯ АНСАМБЛЕВОЇ СИСТЕМИ ПРОГНОЗУВАННЯ ДЛЯ ЗАДАЧ ОПТИМІЗАЦІЇ УПРАВЛІННЯ MICROGRID СОНЯЧНОЇ ЕНЕРГІЇ
DOI:
https://doi.org/10.20535/1813-5420.3.2023.289651Ключові слова:
система прогнозування, ансамблі моделей прогнозування, генерація електричної енергії, сонячна електростанція, MicroGrid, ансамблева архітектураАнотація
Точні ймовірнісні прогнози відновлюваної генерації є рушійною силою для оптимізації експлуатації та управління MicroGrid системами. Комбінація прогнозів, наданих різними індивідуальними моделями, може дозволити підвищити точність прогнозів, однак, на відміну від комбінування точкових прогнозів, для яких просте зважене усереднення часто є вірогідним рішенням, комбінування ймовірнісних прогнозів є набагато складнішим завданням. Сьогодні ансамблі моделей прогнозування є одним із перспективних напрямів розв’язання задач, де прогностична точність важливіша, ніж можливість інтерпретувати модель. Головна ідея ансамблів полягає в навчанні кількох базових моделей та агрегації результатів їх роботи. Емпіричні дослідження показують, що комбінації прогнозів у середньому частіше дають кращі прогнози, ніж методи, які базуються на виборі лише однієї моделі прогнозування. При побудові ансамблів особливої актуальності набуває питання забезпечення різноманітності моделей та ефективного навчання моделей-членів ансамблю. Стаття присвячена розв’язанню питань побудови ансамблевої моделі для прогнозування фотоелектричної (PV) потужності, яка поєднує результати декількох базових імовірнісних моделей. Використання запропонованого авторами ансамблевого методу може підвищити точність прогнозування та зменшити час, необхідний для тренування й оцінки моделей-членів ансамблю. Сформульовані напрями та перспективи подальших досліджень.
Посилання
P. Mandal, S. T. S. Madhira, A. Ul Haque, J. Meng and R. L. Pineda, “Forecasting power output of solar photovoltaic system using wavelet transform and artificial intelligence techniques”, Proc. Computer Science, vol. 12, pp. 332 – 337, 2012.
Y. Zhengque, C. Yapei, and X. Jiapeng, “Power generation forecasting model for photovoltaic array based on generic algorithm and BP neural network”, IEEE 3rd Int. Conf. on Cloud Computing and Intelligence Systems (CCIS), Shenzhen, pp.380-383, Nov, 2014.
M. Monfared, M. Fazeli, R. P. Lewis and J. R. Searle, “Fuzzy Predictor With Additive Learning for Very Short-Term PV Power Generation”, IEEE Access, vol. 7, pp. 91183-91192, 2019.
A. K. Pani and N. Nayak, “Photovoltaic Power Forecasting by Evolutionary Algorithm-Based Improved Extreme Learning Machine”, Adv. in El. Contr. and Sign. Syst., pp.109-129, 2020.
K. S. Sivhugwana and E. Ranganai, “Intelligent techniques, harmonically coupled and SARIMA models in forecasting solar radiation data: A hybridization approach”, Journal of Energy in Southern Africa, vol. 31, pp. 14-37, 2020.
U. B. Tayab, F. Yang, A. S. M. Metwally and J. Lu, “Solar photovoltaic power forecasting for microgrid energy management system using an ensemble forecasting strategy”, Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, vol. 44, no. 4, pp. 10045-10070, Nov. 2022. doi.org/10.1080/15567036.2022.2143945.
V. Sharyfullyn and A. Sharyfullyna, “Neirosetevoe prohnozyrovanye potreblenyia elektroenerhyy promyshlennim predpryiatyem”, Vestnyk KHEU, № 2, 2012. (Rus)
A. Kroshylyn, A. Babkyn and S. Kroshylyna, “Osobennosty postroenyia system podderzhky pryniatyia reshenyi na osnove nechetkoi lohyky”, Nauchno-tekhnycheskye vedomosty SPbHTU, №2, pp. 58-63, 2010. (Rus)
V. Kyryk, “Matematychnyi aparat shtuchnoho intelektu v elektroenerhetychnykh systemakh: pidruchnyk”, Igor Sikorsky KPI, Vyd-vo «Politekhnika», 224 p., 2019. (Ukr)
I. Kaya, M. Çolak and F. Terzi, “A comprehensive review of fuzzy multi criteria decision making methodologies for energy policy making”, Energy Strategy Reviews, vol. 24, pp. 207-228, 2019. doi:10.1016/j.esr.2019.03.003.
D. Matushkin, A. Bosak and L. Kulakovskyi, “Analysis of factors for forecasting electric power generation by solar power plants”, POWER ENGINEERING: economics, technique, ecology, vol. 4, pp. 64-69, 2020. doi:10.20535/1813-5420.4.2020.233597.
A. Bosak, D. Matushkin, V. Dubovyk, S. Homon and L. Kulakovskyi, “Determination of the concepts of building a solar power forecasting model”, Scientific Horizons, vol. 24, no. 10, pp. 9-16, 2021. doi:10.48077/scihor.24(10).2021.9-16.
A. A. H. Lateko, H.-T. Yang, C.-M. Huang, “Short-Term PV Power Forecasting Using a Regression- Based Ensemble Method”, Energies, vol. 15, no. 11, pp. 1-21, 2022. https://doi.org/10.3390/en15114171.
A. Bracale, G. Carpinelli and P. De Falco, “Developing and Comparing Different Strategies for Combining Probabilistic Photovoltaic Power Forecasts in an Ensemble Method”, Energies, vol. 12, pp. 1-16, 2019. doi:10.3390/en12061011.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
