DOI: https://doi.org/10.15407/publishing2019.54.005

УДК 621.311:681.3

КОРОТКОСТРОКОВИЙ ІНТЕРВАЛЬНИЙ ПРОГНОЗ СУМАРНОГО ВІДПУСКУ ЕЛЕКТРОЕНЕРГІЇ ВИРОБНИКАМИ З ВІДНОВЛЮВАНИХ ДЖЕРЕЛ ЕНЕРГІЇ

І.В. Блінов*, докт. техн. наук, В.О. Мірошник, П.В. Шиманюк
Інститут електродинаміки НАН України,
пр. Перемоги, 56, Київ-57, 03680, Україна,
е-mail: Ця електронна адреса захищена від спам-ботів, Вам потрібно включити JavaScript для перегляду
* ORCID ID : http://orcid.org/0000-0001-8010-5301

Запропоновано архітектуру штучної нейронної мережі глибинного навчання для короткострокового прогнозування сумарного відпуску електроенергії виробниками з відновлюваних джерел енергії (ВДЕ). Показано, що за допомогою такої нейронної мережі, крім точкового прогнозу найбільш ймовірного значення відпуску, доцільно прогнозувати 10-й та 90-й перцентилі розподілу похибки, що дає нижню і верхню межі прогнозного інтервалу з імовірністю попадання 0,8. Для навчання використовувалась функція похибки, яка є комбінацією середнього квадрату відхилень та похибкою квантильної регресії для моделі перцентилів. Апробація моделі проводилась на реальних даних сумарного відпуску виробників з ВДЕ, які публікував ДП «Енергоринок». Якість прогнозу порівнювалась з прогнозами виробників. Мінімальної середньої похибки досягнуто шляхом усереднення прогнозів нейронної мережі та виробників, найнижчу максимальну похибку забезпечує самостійний прогноз нейронної мережі. Прогнозний інтервал забезпечує ймовірність потрапляння фактичного значення 0,82 замість очікуваного 0,8. Бібл. 9, рис. 4, табл. 1.
Ключові слова: відновлювані джерела енергії, ринок електричної енергії, короткострокове прогнозування, прогнозний інтервал, нейронні мережі глибинного навчання.

КРАТКОСРОЧНЫЙ ИНТЕРВАЛЬНЫЙ ПРОГНОЗ СУММАРНОГО ОТПУСКА ЭЛЕКТРОЭНЕРГИИ ПРОИЗВОДИТЕЛЯМИ ИЗ ВОЗОБНОВЛЯЕМЫХ ИСТОЧНИКОВ ЭНЕРГИИ

И.В. Блинов, докт. техн. наук, В.А. Мирошник, П.В. Шиманюк
Институт электродинамики НАН Украины,
пр. Победы, 56, Киев-57, 03680, Украина
е-mail: Ця електронна адреса захищена від спам-ботів, Вам потрібно включити JavaScript для перегляду

Предложена архитектура искусственной нейронной сети глубинного обучения для краткосрочного прогнозирования суммарного отпуска электроэнергии производителями из возобновляемых источников энергии (ВИЭ). Показано, что с помощью такой нейронной сети, кроме точечного прогноза наиболее вероятного значения отпуска, целесообразно прогнозировать 10-й и 90-й перцентили распределения погрешности, что дает нижнюю и верхнюю границы прогнозного интервала с вероятностью попадания 0,8. Для обучения использовалась функция погрешности, которая является комбинацией среднего квадрата отклонений и погрешности квантильной регрессии для модели перцентилей. Апробация модели выполнена на реальных данных суммарного отпуска производителей из ВИЭ, которые публиковал ГП «Энергорынок». Качество прогноза сравнивалась с прогнозами производителей. Минимальная средняя погрешность достигнута путем усреднения прогнозов нейронной сети и прогнозов производителей, самую низкую максимальную погрешность обеспечивает самостоятельный прогноз нейронной сети. Прогнозный интервал обеспечивает вероятность попадания фактического значения 0,82 при ожидаемом 0,8. Библ. 9, рис. 4, табл. 1.
Ключевые слова: возобновляемые источники энергии, рынок електрической энергии, краткосрочное прогнозирование, прогнозный интервал, нейронная сеть глубинного обучения.

Фінансується за держбюджетною темою «Можливості та бар’єри збільшення частки відновлювальних джерел в загальній структурі виробництва електричної енергії в Україні» цільового міждисциплінарного проекту НАН України «Науково-технічні та економіко-екологічні засади низьковуглецевого розвитку України» (шифр «367-19»), що виконується за Постановою Бюро ВФТПЕ від 10.06.2019р., протокол № 349. Державний реєстраційний номер роботи 0119U002811.

Література
1. Блінов І.В., Парус Є.В., Іванов Г.А. Імітаційне моделювання функціонування балансуючого ринку електроенергії з урахування системних обмежень на параметри ОЕС України. Технічна електродинаміка. 2017. № 6. С. 72–79. DOI: https://doi.org/10.15407/techned2017.06.072
2. Куцан Ю.Г., Блінов І.В., Іванов Г.А. Моделювання тарифо- та ціноутворення на роздрібному ринку електричної енергії України в нових умовах функціонування. Электронное моделирование. 2017. Т. 39 (5). С. 71–80. DOI: https://doi.org/10.15407/emodel.39.05.071
3. Croonenbroeck C., Stadtmann G. Renewable generation forecast studies–Review and good practice guidance. Renewable and Sustainable Energy Reviews. 2019. Vol. 108. Pp. 312–322. DOI: https://doi.org/10.1016/j.rser.2019.03.029
4. Liu H., Chen C., Lv X., Wu X., Liu M. Deterministic wind energy forecasting: A review of intelligent predictors and auxiliary methods. Energy Conversion and Management. 2019. Vol. 195. Pp. 328–345. DOI: https://doi.org/10.1016/j.enconman.2019.05.020
5. Mellit, A., & Kalogirou, S. A. Artificial intelligence techniques for photovoltaic applications. A review. Progress in energy and combustion science. 2008. Vol. 34, I. 5. Pp. 574–632. DOI: https://doi.org/10.1016/j.pecs.2008.01.00
6. Khosravi A., Nahavandi S., Creighton D. Comprehensive Review of Neural Network-Based Prediction Intervals and New Advances. IEEE Transactions on neural networks. 2011. Vol. 22. I. 9. Pp. 1341–1356. DOI: https://doi.org/10.1109/TNN.2011.2162110
7. Dybowski R, Roberts S. Confidence intervals and prediction intervals for feed-forward neural networks. Clinical Applications of Artificial Neural Networks. 2000.
8. Черненко П.О., Мірошник В.О. Короткострокове прогнозування електричного навантаження електропостачальної компанії з використанням штучної нейронної мережі глибинного навчання. Праці ІЕД НАН України. 2018. № 50. С. 5–11. DOI: https://doi.org/10.15407/publishing2018.50.005
9. Smith, S.L., Kindermans, P.J., Ying, C.,Le, Q.V. Don't decay the learning rate, increase the batch size. 2017. arXiv preprint arXiv:1711.00489.

Надійшла 07.06.2019

PDF