Разработка моделей среднесрочного прогнозирования притока воды для планирования выработки электроэнергии в изолированных энергосистемах

  • Муродбек Холназарович Сафаралиев
  • Сергей Евгеньевич Кокин
  • Степан Александрович Дмитриев
  • Павел Викторович Матренин
  • Алифбек Киргизович Киргизов
Ключевые слова: среднесрочное прогнозирование, приток воды, изолированная энергосистема, ансамблевые модели, малая гидроэлектростанция, электроэнергетическая система

Аннотация

Надежное функционирование энергосистем с существенной долей гидроэлектростанций (ГЭС) в энергетическом балансе во многом зависит от точности прогнозирования притока воды. В совокупности прогнозирование притока воды и оптимальное планирование выработки определяют энергетическую безопасность, обеспечивают защиту от наводнений, исключают холостые сбросы на ГЭС. Решение подобных задач осложняется отсутствием достоверной информации о притоке воды и его стохастическим характером, переменным характером электропотребления и неточными моделями прогнозирования и планирования. Повышение точности прогнозирования ориентировано на определение запаса воды для планирования перспективной выработки электроэнергии на ГЭС с учетом регулирования в среднесрочной перспективе. Такое регулирование необходимо для демпфирования нагрузки в пиковых и полупиковых частях графика нагрузки. В статье рассмотрена проблема построения модели среднесрочного прогнозирования притока воды для планирования выработки электроэнергии на неделю вперед с учетом изменений климата в изолированно работающих энергосистемах на примере электроэнергетических систем Горно-Бадахшанской автономной области Таджикистана. Для учета постоянных климатических изменений предложено использовать подход на базе методов машинного обучения, отличающийся способностью к самоадаптации. В результате выполнения опытно-промышленных расчетов доказана целесообразность применения модели на базе ансамбля регрессионных деревьев решений.

Биографии авторов

Муродбек Холназарович Сафаралиев

аспирант кафедры «Автоматизированные электрические системы», Уральский федеральный университет имени первого Президента России Б.Н. Ельцина, Екатеринбург, Россия.

Сергей Евгеньевич Кокин

доктор техн. наук, профессор кафедры «Автоматизированные электрические системы», Уральский федеральный университет имени первого Президента России Б.Н. Ельцина, Екатеринбург, Россия.

Степан Александрович Дмитриев

кандидат техн. наук, доцент кафедры «Автоматизированные электрические системы», Уральский федеральный университет имени первого Президента России Б.Н. Ельцина, Екатеринбург, Россия.

Павел Викторович Матренин

кандидат техн. наук, доцент кафедры «Cистемы электроснабжения предприятий», Новосибирский государственный технический университет, Новосибирск, Россия.

Алифбек Киргизович Киргизов

PhD, доцент кафедры «Электрические станции», Таджикский технический университет имени академика М. С. Осими, Душанбе, Таджикистан.

Литература

1. Kishore T.S., et al. A Comprehensive Study on the Recent Progress and Trends in Development of Small Hydropower Projects. – Energies, 2021, vol. 14(10), 2882, DOI:10.3390/en14102882.
2. Bayazıt Y., et al. A Study on Transformation of Multi-Purpose Dams into Pumped Storage Hydroelectric Power Plants by Using GIS Model. – International Journal of Green Energy, 2021, vol. 18, iss. 3, pp. 308–318.
3. Mayeda A.M., Boyd A.D. Factors Influencing Public Perceptions of Hydropower Projects: A Systematic Literature Review. – Renewable and Sustainable Energy Reviews, 2020, vol. 21, DOI:10.1016/j.rser.2020.109713.
4. Jurasz J., Ciapała B. Solar–Hydro Hybrid Power Station as a Way to Smooth Power Output and Increase Water Retention. – Solar Energy, 2018, vol. 173, pp. 675–690, DOI:10.1016/j.solener.2018.07.087.
5. Chang, J., et.al. Efficiency Evaluation of Hydropower Station Operation: A Case Study of Longyangxia Station in the Yellow River, China. – Energy, 2017, vol. 35, 23–31, DOI:10. 1016/J.ENERGY. 2017:06.049.
6. Li F.-F., Qiu J. Multi-Objective Optimization for Integrated Hydro–Photovoltaic Power System. – Applied Energy, 2016, vol. 67, pp. 377–384, DOI:10.1016/j.apenergy.2015.09.018.
7. Albo-Salih H., Mays L. Testing of an Optimization-Simulation Model for Real-Time Flood Operation of River-Reservoir Systems. – Water, 2021, 13, 1207, DOI:10.3390/w13091207.
8. Vafakhahi M. Application of Artificial Neural Networks and Adaptive Neuro-Fuzzy Inference System Models to Short-Term Streamflow Forecasting. – Canadian Journal of Civil Engineering, 2012, vol. 39(4), pp. 402–414, DOI: 10.1139/l2012-011.
9. Li G., et al. Short-Term Power Generation Energy Forecasting Model for Small Hydropower Stations Using GA-SVM. – Mathematical Problems in Engineering, 2014, DOI:10.1155/2014/381387.
10. Li G., et al. Applying a Correlation Analysis Method to Long-Term Forecasting of Power Production at Small Hydropower Plants. – Water, 2015, vol. 7(9), pp. 4806–4820, DOI: 10.3390/w7094806.
11. Claesen M., De Moor B. Hyperparameter Search in Machine Learning, 2015 [Электрон. ресурс], URL: https://www.arxiv-vanity.com/papers/1502.02127 (дата обращения 12.07.2021).
12. Bergstra J., Bengio Y. Random Search for Hyper-Parameter Optimization. – Journal of Machine Learning Research, 2012, vol. 13(1), pp. 281–305.
13. Overview of Hyperparameter Tuning. Google Cloud [Электрон. ресурс], URL: https://cloud.google.com/ai-platform/training/docs/hyperparameter-tuning-overview (дата обращения 12.07.2021).
14. Асанова С.М. и др. Разработка моделей среднесрочного прогнозирования электропотребления в изолированно работающих энергосистемах на основе ансамблевых методов машинного обучения. – Известия НТЦ Единой энергетической системы, 2021, № 1(84), c. 32–39.
15. Кокин С.Е., Сафаралиев М.Х., Султонов Ш.М. Особенности управления гидроэлектростанциями в энергосистеме Республики Таджикистан. – Известия НТЦ Единой энергетической системы, 2017, № 2, с. 109–118.
16. Hinton G.E. Connectionist Learning Procedures. – Artificial Intelligence, 1989, vol. 40(1), pp. 185–234, DOI:10.1016/0004-3702(89) 90049-0.
17. Drucker H. Improving Regressors Using Boosting Techniques, 1997 [Электрон. ресурс], URL: htpps://www.researchgate.net/publication/2424244_Improving_Regressors_Using_Boosting_Techniques (дата обращения 12.07.2021).
18. Breiman L. Random Forests, 2001 [Электрон. ресурс], URL: https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf (дата обращения 12.07.2021).
19. Machine Learning in Python [Электрон. ресурс], URL: https://scikit-learn.org (дата обращения 12.07.2021).
20. Keras. Simple. Flexible. Powerful [Электрон. ресурс], URL: https://keras.io/ (дата обращения 12.07.2021).
21. Сафаралиев М.Х. и др. Адаптивные ансамблевые модели для среднесрочного прогнозирования выработки электроэнергии гидроэлектростанциями в изолированных энергосистемах с учётом изменений температуры. – Электротехнические системы и комплексы, 2022, № 1(54), с. 38–45.
---
Исследование выполнено при финансовой поддержке в рамках реализации программы развития НГТУ, научный проект № С22-15.
#
1. Kishore T.S., et al. A Comprehensive Study on the Recent Progress and Trends in Development of Small Hydropower Projects. – Energies, 2021, vol. 14(10), 2882, DOI:10.3390/en14102882.
2. Bayazıt Y., et al. A Study on Transformation of Multi-Purpose Dams into Pumped Storage Hydroelectric Power Plants by Using GIS Model. – International Journal of Green Energy, 2021, vol. 18, iss. 3, pp. 308–318.
3. Mayeda A.M., Boyd A.D. Factors Influencing Public Perceptions of Hydropower Projects: A Systematic Literature Review. – Renewable and Sustainable Energy Reviews, 2020, vol. 21, DOI:10.1016/j.rser.2020.109713.
4. Jurasz J., Ciapała B. Solar–Hydro Hybrid Power Station as a Way to Smooth Power Output and Increase Water Retention. – Solar Energy, 2018, vol. 173, pp. 675–690, DOI:10.1016/j.solener.2018.07.087.
5. Chang, J., et.al. Efficiency Evaluation of Hydropower Station Operation: A Case Study of Longyangxia Station in the Yellow River, China. – Energy, 2017, vol. 35, 23–31, DOI:10. 1016/J.ENERGY. 2017:06.049.
6. Li F.-F., Qiu J. Multi-Objective Optimization for Integrated Hydro–Photovoltaic Power System. – Applied Energy, 2016, vol. 67, pp. 377–384, DOI:10.1016/j.apenergy.2015.09.018.
7. Albo-Salih H., Mays L. Testing of an Optimization-Simulation Model for Real-Time Flood Operation of River-Reservoir Systems. – Water, 2021, 13, 1207, DOI:10.3390/w13091207.
8. Vafakhahi M. Application of Artificial Neural Networks and Adaptive Neuro-Fuzzy Inference System Models to Short-Term Streamflow Forecasting. – Canadian Journal of Civil Engineering, 2012, vol. 39(4), pp. 402–414, DOI: 10.1139/l2012-011.
9. Li G., et al. Short-Term Power Generation Energy Forecasting Model for Small Hydropower Stations Using GA-SVM. – Mathematical Problems in Engineering, 2014, DOI:10.1155/2014/381387.
10. Li G., et al. Applying a Correlation Analysis Method to Long-Term Forecasting of Power Production at Small Hydropower Plants. – Water, 2015, vol. 7(9), pp. 4806–4820, DOI: 10.3390/w7094806.
11. Claesen M., De Moor B. Hyperparameter Search in Machine Learning, 2015 [Electron. resource], URL: https://www.arxiv-vanity.com/papers/1502.02127 (Date of appeal 12.07.2021).
12. Bergstra J., Bengio Y. Random Search for Hyper-Parameter Optimization. – Journal of Machine Learning Research, 2012, vol. 13(1), pp. 281–305.
13. Overview of Hyperparameter Tuning. Google Cloud [Electron. resource], URL: https://cloud.google.com/ai-platform/training/docs/hyperparameter-tuning-overview (Date of appeal 12.07.2021).
14. Asanova S.M., et al. Izvestiya NTTs Yedinoy energeticheskoy sistemy – in Russ. (Proceedings of the Scientific and Technical Center of the Unified Energy System), 2021, No. 1(84), pp. 32–39.
15. Kokin S.E., Safaraliev M.Kh., Sultonov Sh.М. Izvestiya NTTs Yedinoy energeticheskoy sistemy – in Russ. (Proceedings of the Scientific and Technical Center of the Unified Energy System), 2017, No. 2, pp. 109–118.
16. Hinton G.E. Connectionist Learning Procedures. – Artificial Intelligence, 1989, vol. 40(1), pp. 185–234, DOI:10.1016/0004-3702 (89)90049-0.
17. Drucker H. Improving Regressors Using Boosting Techniques, 1997 [Electron. resource], URL: htpps://www.researchgate.net/publica-tion/2424244_Improving_Regressors_Using_Boosting_Techniques (Date of appeal 12.07.2021).
18. Breiman L. Random Forests, 2001 [Electron. resource], URL: https://www.stat.berkeley.edu/~breiman/randomforest2001.pdf (Date of appeal 12.07.2021).
19. Machine Learning in Python [Electron. resource], URL: https://scikit-learn.org (Date of appeal 12.07.2021).
20. Keras. Simple. Flexible. Powerful [Electron. resource], URL: https://keras.io/ (Date of appeal 12.07.2021).
21. Safaraliev M.Kh., et. al. Electroteknicheskie systemy i kompleksy – in Russ. (Electrotechnical Systems and Complexes), 2022, No. 1(54), pp. 38–45.
---
The research was carried out with financial support within the framework of the NSTU development program, scientific project No. C22-15.
Опубликован
2021-07-12
Раздел
Статьи