ВПЛИВ АНОМАЛЬНИХ ЗНАЧЕНЬ НА ТОЧНІСТЬ ПРОГНОЗУВАННЯ ВТРАТ В РОЗПОДІЛЬЧИХ МЕРЕЖАХ

Ігор Блінов; Павло Шиманюк; Вікторія Сичова; Володимир Мірошник

doi:10.20535/1813-5420.4.2024.316249

Автор(и)

Ігор Блінов Інститут електродинаміки НАН України, Україна https://orcid.org/0000-0001-8010-5301
Павло Шиманюк Інститут електродинаміки НАН України, Україна https://orcid.org/0000-0002-7585-7493
Вікторія Сичова Інститут електродинаміки НАН України, Україна https://orcid.org/0000-0001-7385-1680
Володимир Мірошник Інститут електродинаміки НАН України, Україна https://orcid.org/0000-0001-9036-7268

DOI:

https://doi.org/10.20535/1813-5420.4.2024.316249

Ключові слова:

втрати, вузлове навантаження, прогнозування, нейронні мережі, CIGRE, LSTM.

Анотація

Актуальність дослідження обумовлена сучасними трендами в управлінні режимами роботи розподільних електричних мереж із використанням технологій Smart Grid, а також необхідністю зниження витрат операторів систем розподілу на закупівлю електроенергії. Для цього потрібні точні результати прогнозування навантажень у вузлах мережі на різних горизонтах прогнозування. Різкі зміни топології мережі можуть збільшувати похибки прогнозу втрат як єдиного часового ряду, що негативно впливає на ефективність керування мережею та підвищує витрати на закупівлю електроенергії для покриття втрат.

У роботі було розглянуто методи прогнозування на основі штучних нейронних мереж для розрахунку та прогнозування втрат електричної енергії, а також проведено порівняння цих методів між собою. Розрахунки виконано на основі даних одного з українських операторів систем розподілу, а тестова електрична мережа адаптована на основі схеми CIGRE для моделювання втрат електричної енергії.

Оскільки дані вузлового навантаження містили пропуски та аномалії, було використано двоетапний алгоритм аналізу даних із застосуванням методу кластеризації DBSCAN для їх виявлення та корекції. В результаті проведених обчислень втрат на основі достовіризованих даних, похибка втрат була зменшена втричі порівняно з розрахунками, що базуються на коефіцієнтах навантаження. Використання методів аналізу даних та прогнозування на основі штучних нейронних мереж значно підвищує точність розрахунків втрат і мінімізує похибки.

Посилання

Miroshnyk V Blinov I and Shymaniuk P. “The cost of error of day ahead forecast of technological losses of electrical energy”. In: Tekhnichna elektrodynamika 5 (2020), pp. 70–73. doi: https://doi.org/10.15407/techned2020.05.070.Blinov I. Problems of functioning and development of a new electricity market model in Ukraine. Visn. Nac. Acad. Nauk Ukr, 2021, vol. 3. pp. 20-28. DOI: https://doi.org/10.15407/visn2021.03.020.

On the electricity market: Law of Ukraine No 2019-VIII of 13.04.2017.

Resolution 14.03.2018 No. 307 On approval of the Market Rules.

NEURC Resolution “On Approval of Distribution Network Code” No. 310 of 14. 03.2018.

Miroshnyk V Blinov I and Sychova V. Short-term forecasting of electricity imbalances using artificial neural networks. IOP Conf. Series: Earth and Environmental Science (2023), pp. 1–7. DOI:10.1088/1755-1315/1254/1/012029.

Blinov I., Trach I., Parus Y., Khomenko V., Kuchanskyy V., Shkarupylo V. Evaluation of The Efficiency of The Use of Electricity Storage Systems in The Balancing Group and The Small Distribution System. 2021 IEEE 2nd KhPI Week on Advanced Technology (KhPIWeek), 2021, pp. 262-265, doi: 10.1109/KhPIWeek53812.2021.9569981ENTSO-E RDI Roadmap 2024 – 2034.

ENTSO-E RDI Roadmap 2024 – 2034. Innovation Missions to build the power system for a Carbon-Neutral Europe. https://eepublicdownloads.blob.core.windows.net/public-cdn-container/clean-documents/Publications/RDC%20publications/entso-e_RDI_roadmap_2024-2034_240710.pdf

Hou G et al. “A novel algorithm for multi-node load forecasting based on big data of distribution network”. In: International Conference on Advanced Electronic Science and Technology (AEST 2016) (2016), pp. 655–667.

Hatziargyriou N Wang X and Tsoukalas L H. “A new methodology for nodal load forecasting in deregulated power systems”. In: IEEE Power Engineering Review (2020), pp. 48–51. doi: http://hdl.handle.net/123456789/14566.

Bezerra U H Falcao D M. “Short-term forecasting of nodal active and reactive load in electric power system”. In: IEE Conf. Publication (1986), pp. 18–22.

Miroshnyk V Chernenko P and Shymaniuk P. Univariable short-term forecast of nodal electrical loads of energy systems. 2020. doi: https://doi.org/10.15407/techned2020.02.067.

“Benchmark Systems for Network Integration of Renewable and Distributed Energy Resources”. In: ELECTRA (2014). doi: http://e-cigre.org/publication/ELT_273_8-benchmark- systems- for- network- integration- of- renewable- and- distributed-energy-resources.

Styczynski Z A Rudion K Orths O and Strunz K. “Design of benchmark of medium voltage distribution network for investigation of DG integration”. In: IEEE Power Engineering Society General Meeting, Montreal, Canada (2006). doi: DOI : 10 . 1109 / PES . 2006 .1709447.

P. Shymaniuk, V. Miroshnyk, I. Blinov Determination of electrical losses based on nodal electrical loadforecasts. Energy: economics, technology, ecology. 2022. Vol. 3. Pp.38-43. DOI 10.20535/1813-5420.3.2022.271484

Sander J Ester M Kriegel H P and Xu X. “A density-based algorithm for discovering clusters in large spatial databases with noise”. In: Proceedings of the Second International Conference on Knowledge Discovery and Data Mining (KDD-96) (1996), pp. 226–231.