МЕТОДЫ ПРИМЕНЕНИЯ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА ПРИ ПРОГНОЗИРОВАНИИ ВЫРАБОТКИ СОЛНЕЧНОЙ ЭЛЕКТРОЭНЕРГИИ

METHODS AND TOOLS OF ARTIFICIAL INTELLIGENCE IN PREDICTING SOLAR ELECTRICITY GENERATION

Roman Dynnik

student 2 term, Institute of Cyberphysical Systems, State University of Aerospace Instrumentation,

Russia, Saint Petersburg

АННОТАЦИЯ

В настоящей статье представлен краткий обзор методов использования искусственного интеллекта при прогнозировании выработки солнечной электроэнергии. Актуальность работы заключается в малом количестве литературы на русском языке по данной тематике, а также ее высокой сложности, при отсутствии литературы обзорного характера, простым языком рассказывающей о данной тематике.

ABSTRACT

This article provides a brief overview of the methods of using artificial intelligence in predicting solar electricity generation. The relevance of the work lies in the small amount of literature in Russian on this topic, as well as its high complexity, in the absence of literature of a review character, simply speaking about this topic.

Ключевые слова: солнечная электростанция, фотоэлектрическая установка, численный прогноз погоды, солнечная радиация.

Keywords: solar power plant, photovoltaic installation, numerical weather forecast, solar radiation.

Перед тем как непосредственно перейти к обзору методов прогнозирования производительности солнечных электростанций (СЭС) и фотоэлектрических установок (ФЭУ), следует отметить, что существует три подхода: прямой, косвенный и гибридный [1].

Прямой подход к прогнозированию подразумевает под собой отсутствие предсказания прихода солнечной радиации. При косвенном подходе же сначала оценивается количество входящей радиации за определенный промежуток времени, затем, с помощью полученных данных, моделируется выработка энергии за тот же промежуток. Гибридный подход учитывает прогнозы, полученные прямым и косвенным подходом. Каждый из них имеет свои особенности. Так или иначе, ряд методов может использоваться при обоих подходах.

Выделяют следующие методы прогноза выработки СЭС [1]: физический, статистический, гибридный, вероятностный методы, персистентные модели. Обзор каждого из них представлен ниже.

Метод прогнозирования на основе физических моделей

Входными данными для физического метода служат: численный прогноз погоды (математическая модель атмосферы, далее - ЧПП), метеорологические измерения, данные рельефа. При использовании этого метода не нужны архивные статистические данные о работе СЭС, так как прогноз поступающей радиации предусматривается как входные данные, а краткосрочный прогноз выработки электроэнергии можно осуществить на основе ЧПП и характеристик СЭС. Большим минусом такого метода является использование ЧПП, что приводит к не самой высокой точности таких прогнозов, в связи с сравнительно низкой точностью самого ЧПП [2].

Статистический метод прогнозирования

Статистические модели используют алгоритмы машинного обучения, в качестве входных данных используют ЧПП, а также ретроспективную информацию о работе СЭС. Точность прогнозов во многом зависит именно от подробности и достоверности архивных данных, чем больше факторов учитывается, тем более четким окажется результат прогноза. Очевидно, что такой метод возможен исключительно для действующий СЭС, причем работающей на протяжении долгого времени, так как чем дольше срок эксплуатации оборудования, тем выше представительность исторических данных.

Статистический метод позволяет, на основе анализа больших массивов данных, выявить закономерности, найти причинно-следственные связи, с помощью регрессивных методов машинного обучения. Преимуществом использования регрессий является возможность предсказать зависимую переменную отталкиваясь от значений независимых. Зависимой в данном случае является выходная мощность либо выработанная энергия СЭС/ФЭУ, а в качестве независимых, так называемых предикторов, выступают какие-либо метеорологические данные, их совокупность, комбинации или же другие параметры.

Уравнение линейной регрессии выглядит следующим образом:

где Y – результирующий признак;  – факторные признаки;  – коэффициенты регрессии; a – свободный член уравнения;  – «ошибка» модели.

Методы машинного обучения, наиболее распространенные в предиктивной оценке производительности СЭС/ФЭУ:

-искусственные нейронные сети – наиболее распространенный среди статистических методов;

-метод k-ближайших соседей – один из самых простых методов машинного обучения;

– метод опорных векторов;

– метод случайного леса.

Среди преимуществ статистических моделей можно выделить простоту реализации, недостатком же является условие наличия обширных исторических сведений.

Гибридный метод прогнозирования.

Для задачи прогнозирования выработки электроэнергии может одновременно применятся совокупность разных методов. Соответственно, если используется несколько статистических методов, говорят, что были применены гибридно-статистические методы. Если метод основывается на прогнозе прихода солнечной радиации и статистическом методе, то такой метод называется гибридно-физическим. Как правило, статистические регрессионные методы используются, чтобы уменьшить погрешность ЧПП, и затем использовать полученные данные в соответствии с физическим методом. В большинстве случаев такой подход позволяет достичь более высокой точности предикта [3], нежели при использовании лишь одного метода.

Персистентные модели

Персистентные модели [1] – это некий базовый уровень, начальный, наиболее простой этап прогноза. Они предполагают, что условия одинаковы в настоящий момент и во времени, для которого делается прогноз. Такое предсказание осуществляется для последующего сравнения результатов, полученных другими методами.

Так как время прихода солнечной радиации не является стационарным, персистентную модель можно использовать лишь для краткосрочного прогнозирования. Но для решения этой проблемы, выработку энергии разделяют на стационарную (при ясном небе) и стохастическую (с влиянием облачности) части. Входные данные при таком методе прогнозирования должны быть устойчивыми, например, индекс ясности или облачность.

Вероятностный метод

Вероятностные методы отличаются от всех прочих тем, что вместо одного конкретного значения для каждого прогноза, которое получается на выходе при использовании детерминированных методов, имеет выходной характеристикой функцию плотности вероятности и производные величины. Другими словами, показывает верхние и нижние границы прогнозов, а также распределение вероятности для каждого значения. Такие данные, в основном, позволяют произвести экономический анализ работы СЭС [1], более обоснованно резервировать мощности и зарабатывать больше в сравнении с детерминированными методами прогноза.

Точность прогнозирования.

Все представленные выше методы имеют свои преимущества и недостатки. Разумное их использование и комбинирование может обеспечить более высокую точность прогнозов, но не застрахует от погрешностей. Характеристики СЭС (мощность, размеры, система слежения за Солнцем), воздуха (запыленность, концентрация аэрозолей), затенение, местные географические особенности, осадки – это одни из основных факторов [4], которые влияют на точность прогноза, при этом далеко не все. В среднем погрешность, добавленная к ошибкам предсказания прихода солнечной радиации, может достигать 10% [5].

Также, на точность прогнозов влияет пространственное разрешение. Дело в том, что предсказания могут быть выполнены как для отдельной ФЭУ, так и для целой СЭС или даже нескольких станций сразу. При этом вариации производительности отдельных фотоэлектрических модулей гораздо больше, чем у всей СЭС целиком (в среднем) [6]. Это происходит из-за ограничения размеров и площади, занимаемой модулем, а также вариацией размеров, расположения и скорости движения облаков относительно отдельной локации с установленным модулем. Таким образом, прогнозы регионального характера для крупной СЭС или сразу нескольких окажутся более точными, чем для конкретной ФЭУ или фотоэлектрического модуля. Региональные предсказания выигрывают в точности за счет эффектов пространственного усреднения. Была выявлена закономерность: ошибка регионального прогноза производительности пропорциональна корреляции ошибок прогноза отдельных станций. Она четко дает понять, что чем ниже корреляция между отдельными ФЭУ, тем точнее результат прогноза производительности. В следствии чего, ошибка для региональных прогнозов составляет уже менее внушительные 5% [5].

Выбор методов прогнозирования зависит от поставленной задачи, а именно [7]:

1.Оценка потенциала солнечной энергетики для конкретной площади. Выполняется для экономического обоснования проекта и выбора территории для постройки СЭС. При этом используются срочные прогнозы – на заданный период времени вперед. Такие прогнозы делаются на основе моделирования метеорологических характеристик и используют следующие данные: приходящая солнечная радиация, температура, скорость ветра, влажность воздуха, материалы с различных камер, численный прогноз погоды (прогноз погоды, построенный на математической модели атмосферы, далее - ЧПП).

2.Анализ выработки электроэнергии. Производится для анализа работы самой СЭС, осуществляя прогноз многолетней выработки, основываясь на архивных данных производительности данной СЭС или среднего многолетнего прихода солнечной радиации в этом месте.

Подводя итоги, можно сказать, что существует два принципиально разных подхода к прогнозированию – прямой и косвенный. Первый прогнозирует производительность СЭС или ФЭУ, а второй опирается на предсказание прихода солнечной радиации с последующим пересчетом выработки энергии. Следовательно, в первом случае требуется наличие большого объема ретроспективных данных о работе СЭС, а применяются в основном методы машинного обучения и статистические методы. Во втором же случае значительную важность имеет ЧПП. Также на выбор методов прогноза влияют и требуемое пространственное и временное разрешение.

Список литературы:

1. В.И. Виссарионов, Г.В. Дерюгина, В.А. Кузнецова, Н.К.Малинин. Солнечная энергетика. Методы расчетов. / Москва: Издательство Солнечная энергетика МЭИ, 2008. – 317 с.
2. Германович В., Турилин А. Альтернативные источники энергии и энергосбережение. / Санкт-Петербург: Издательство Наука и Техника, 2014. – 320 с.
3. Мак-Вейг Д. Применение солнечной энергии. / Москва: Издательство Энергоиздат, 1981. ─ 216 с.
4. Volker Quaschning. Understanding Renewable Energy Systems / Изд. Carl Hanser Verlag GmbH & Co KG, 2005 г. – 289 с.
5. С.В. Киселева, Н.В. Лисицкая, С.Е. Фрид. Прогнозирование выработки солнечных станций и фотоэлектрических установок: основные подходы и результативность. / Издательство Альтернативная энергетика и экология. 2020; (7-18): с. 24-42.
6. Харченко Н.В. Индивидуальные солнечные установки. / Москва: Издательство Энергоатомиздат, 1991. – 208 с.
7. Д.А. Тюньков, А.А. Сапилова, А.С. Грицай, Д.А. Алексеенко, Р.Н. Хамитов. Методы краткосрочного прогнозирования выработки электрической энергии солнечными электростанциями и их классификация. / Омск: Издательство Омский государственный технический университет. 2020. – 10 с.