Алгоритм підвищення точності прогнозування вихідної потужності сонячної електростанції при застосуванні методу найближчих сусідів
DOI:
https://doi.org/10.20535/RADAP.2024.95.39-46Ключові слова:
метод найближчих сусідів, прогнозування потужності, кластеризація, сонячна енергія, сонячна радіація, регресіяАнотація
У статті наведено метод прогнозування вихідної потужності сонячної електростанції на основі методу регресії найближчих сусідів. Для створення прогнозу вихідної потужності використано дані з сонячної електростанції в Китаї потужністю 50 МВт, що має дані значень сонячної радіації, навколишньої температури, тиску та вологості і відповідні їм значення вихідної потужності в період з 01.01.2019 до 31.12.2020 з дискретністю 15 хвилин. Перед використанням даних проведено їх очищення від викидів методом стандартного міжквартильного розмаху, розділення точок даних на тестову та тренувальну групи і застосовано масштабування ознак методом стандартизації для коректного обчислення Евклідової дистанції між точками даних. Запропоновано застосування кластеризації погодних параметрів методом k-середніх, що дозволяє провести індивідуальний вибір кількості сусідів для кожного кластеру і виключити вплив точок одного кластеру на кількість сусідів іншого кластеру. Кількість кластерів обирається за допомогою визначення коефіцієнта силуету, тренувальна група погодних параметрів з відповідними їм значеннями вихідної потужності розподіляється по кластерам на основі Евклідової відстані до центроїд кластерів. Тестова група погодних параметрів розподіляється по кластерам, після чого прогнозування методом найближчих сусідів відбувається в межах кожного кластеру окремо. Вихідна потужність сонячної електростанції розраховується як середня арифметична зважена потужностей сусідів кожної точки тестової групи. В кінці алгоритму послідовність точок погодних параметрів тестової групи відновлюється і створюється часовий ряд прогнозу вихідної потужності. Запропонований алгоритм дозволив зменшити похибки прогнозу MSE, RMSE, MAPE, MAE на 1 день на 0,5348, 0,2265, 0,38%, 0,1448 відповідно, на 7 днів похибки стали меншими на 0,1992, 0,0384, 0,1%, 0,0193 відповідно. В результаті відносна похибка при прогнозуванні на 24 години складає 4,22%.
Посилання
References
Paris Agreement. Treaty Series (2015). United Nations, Vol. 3156, Registration: 4 Nov. 2016, № 54113. ENVIRONMENT, Cham. XXVII 7 D, pp. 1-8.
European Commission, Secretariat-General (2019). Communication from the Сommission to the European parliament, the European council, the council, the European economic and social committee and the committee of the regions. The European Green Deal. An official website of the European Union, Document 52019DC0640.
Renewable capacity statistics (2023). International Renewable Energy Agency.
Iheanetu K. J. (2022). Solar Photovoltaic Power Forecasting: A Review. Sustainability, Vol. 14, Iss. 24, 17005. doi:10.3390/su142417005.
Raza M. Q., Nadarajah M., Ekanayake C. (2016). On recent advances in PV output power forecast. Solar Energy, Vol. 136, pp. 125-144. doi:10.1016/j.solener.2016.06.073.
Antonanzas J., Osorio N., Escobar R., Urraca R., Martinez-de-Pison F. J., Antonanzas-Torres F. (2016). Review of photovoltaic power forecasting. Solar Energy, Vol. 136, pp. 78-111. doi:10.1016/j.solener.2016.06.069.
Klen K. S., Zhuikov V. Y. (2020). Vplyv stokhastychnoho kharakteru enerhii v systemakh rozoseredzhenoi heneratsii na yikhniu stiikist [Influence of stochastic nature of energy in distributed generation systems on their stability]. Technical Electrodynamics, Vol. 3, pp. 62-68. doi:10.15407/techned2020.03.062.
Santiago I., Trillo-Montero D., Moreno-Garcia I. M., Pallarés-López V., Luna-Rodríguez J. J. (2018). Modeling of photovoltaic cell temperature losses: A review and a practice case in South Spain. Renewable and Sustainable Energy Reviews, Vol. 90, pp. 70-89. doi:10.1016/j.rser.2018.03.054.
Poddar S., Evans J. P., Kay M., Prasad A., Bremner S. (2023). Assessing Australia’s future solar power ramps with climate projections. Scientific Reports, Vol. 13, 11503. doi:10.1038/s41598-023-38566-z.
Wellby S. J., Engerer N. A. (2016). Categorizing the Meteorological Origins of Critical Ramp Events in Collective Photovoltaic Array Output. Journal of Applied Meteorology and Climatology, Vol. 55 , Iss. 6, pp. 1323-1344. doi:10.1175/JAMC-D-15-0107.1.
Zakon Ukrainy «Pro vnesennia zmin do deiakykh zakoniv Ukrainy shchodo vidnovlennia ta ``zelenoi'' transformatsii enerhetychnoi systemy Ukrainy» vid 30.06.2023 (№ 3220-IX) [Law of Ukraine On Amendments to Certain Laws of Ukraine on Restoration and Green Transformation of the Energy System of Ukraine]. Verkhovna Rada Ukrainy [Verkhovna Rada of Ukraine], data zvernennia: 27.10.2023.
Zakon Ukrainy «Pro rynok elektrychnoi enerhii» vid 13.04.2017 (№ 2019-VIII) Redaktsiiavid 03.09.2023 [Law of Ukraine On the Electricity Market]. Verkhovna Rada Ukrainy [Verkhovna Rada of Ukraine], data zvernennia: 27.10.2023.
Sobri S., Koohi-Kamali S., Rahim N. A. (2018). Solar photovoltaic generation forecasting methods: A review. Energy Conversion and Management, Vol. 156, pp. 459-497. doi: https://doi.org/10.1016/j.enconman.2017.11.019.
Myroshnichenko M. V., Klen K. S. (2022). Prohnozuvannia potuzhnosti na vykhodi soniachnoi paneli [Prediction of the Power of the Solar Panel]. Microsystems, Electronics and Acoustics, Vol. 27, Iss. 2, pp. 237737–1-237737-5. doi:10.20535/2523-4455.mea.237737.
Abdel-Nasser M., Mahmoud K. (2019). Accurate photovoltaic power forecasting models using deep LSTM-RNN. Neural Comput & Applic, Vol. 31, pp. 2727–2740. doi:10.1007/s00521-017-3225-z.
Zhang J., Verschae R., Nobuhara S., Lalonde J.-F. (2018). Deep photovoltaic nowcasting. Solar Energy, Vol. 176, pp. 267-276. doi:10.1016/j.solener.2018.10.024.
Li G., Xie S., Wang B., Xin J., Li Y., Du S. (2020). Photovoltaic Power Forecasting With a Hybrid Deep Learning Approach. IEEE Access, Vol. 8, pp. 175871-175880. doi:10.1109/ACCESS.2020.3025860.
Mayer M. J. (2021). Influence of design data availability on the accuracy of physical photovoltaic power forecasts. Solar Energy, Vol. 227, pp. 532-540. doi:10.1016/j.solener.2021.09.044.
Visser L., Lorenz E., Heinemann D., Wilfried G. J. H. M. van Sark (2022). 1.11 -- Solar Power Forecasts. Comprehensive Renewable Energy (Second Editoin), Vol. 1, pp. 213-233. doi:10.1016/B978-0-12-819727-1.00135-7.
Watanabe T., Takenaka H., Nohara D. (2021). Post-processing correction method for surface solar irradiance forecast data from the numerical weather model using geostationary satellite observation data. Solar Energy, Vol. 223, pp. 202-216. doi:10.1016/j.solener.2021.05.055.
Nespoli A., Niccolai A., Ogliari E., Perego G., Collino E., Ronzio D. (2022). Machine Learning techniques for solar irradiation nowcasting: Cloud type classification forecast through satellite data and imagery. Applied Energy, Vol. 305, 117834. doi:10.1016/j.apenergy.2021.117834.
Osypenko K. S., Zhuikov V. Ya. (2017). Otsinka fraktalnoi rozmirnosti ta peredavalnoi funktsii khmar [The evaluation of fractal dimension and transfer function of the clouds]. Microsystems, Electronics and Acoustics, Vol. 22, No 5, pp. 13-19. doi:10.20535/2523-4455.2017.22.5.106578.
Chen Y., Xu J. (2022). Solar and wind power data from the Chinese State Grid Renewable Energy Generation Forecasting Competition. Scientific Data, Vol. 9, Article number: 577. doi:10.1038/s41597-022-01696-6.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2024 Єгор Седляров, Клен Катерина
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
1. 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 нашому журналі.
2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована нашим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у нашому журналі.
3. Політика журналу дозволяє і заохочує розміщення рукопису роботи авторами в мережі Інтернет (наприклад, на arXiv.org або на особистих веб-сайтах). Причому рукописи статей можуть бути розміщенні у відкритих архівах як до подання рукопису до редакції, так і під час його редакційного опрацювання. Це сприяє виникненню продуктивної наукової дискусії, позитивно позначається на оперативності ознайомлення наукової спільноти з результатами Ваших досліджень і як наслідок на динаміці цитування вже опублікованої у журналі роботи. Детальніше про це: The Effect of Open Access.
