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