ПРОГНОЗИРОВАНИЕ И УПРАВЛЕНИЕ ЭЛЕКТРОПОТРЕБЛЕНИЕМ СООБЩЕСТВА МИКРОСЕТЕЙ С ПРИМЕНЕНИЕМ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

Е.В. Сташкевич; Н.И. Айзенберг; И.Г. Илюхин

doi:10.14529/power220202

Авторы

Е.В. Сташкевич Иркутский национальный исследовательский технический университет, Иркутск, Россия
Н.И. Айзенберг Институт систем энергетики им. Л.А. Мелентьева СО РАН, Иркутск, Россия
И.Г. Илюхин Иркутский национальный исследовательский технический университет, Иркутск, Россия

DOI:

https://doi.org/10.14529/power220202

Ключевые слова:

управление спросом, микросеть, искусственный интеллект, прогнозирование электропотребления, распределенная генерация

Аннотация

Современная электроэнергетика характеризуется резко возросшим потреблением электроэнергии за последние десятилетия. Объясняется это рядом причин: технологических, социальных, экономических и др. Поэтому прогнозирование потребления электроэнергии имеет важное значение для множества процессов, включая планирование работы генерирующего оборудования, управление и оптимизацию режимов работы энергетических систем, а также является значимым аспектом в работе промышленных предприятий, так
как отклонения для них грозят штрафами. В связи с этим одной из актуальных задач на рынке электроэнергии
сегодня является прогнозирование электропотребления на определенный срок. В статье представлено описание
модели микросети со встроенным блоком прогнозирования электропотребления и интеллектуального управления нагрузкой одновременно несколькими объектами, в том числе имеющими распределенную генерацию.
Решение принимается на сутки вперед, формируя стратегию профиля генерации и управления электроприемниками. Такой тайминг диктуется информацией, имеющейся у интеллектуальной системы: прогноз спроса и
цены на электроэнергию централизованной энергосистемы на каждый час следующих суток. Описаны особенности переключения в пиковое время на дополнительные источники электроэнергии, распределение по микросетям. Прогноз реализован с помощью модели Хольта – Винтерса из библиотеки statsmodels (Python 3). Модель
использует идеи экспоненциального сглаживания, но является более сложной и может применяться к рядам,
содержащим тенденцию и сезонность. Обученная модель прогнозирует с точностью 95,21 %.

Скачивания

Данные скачивания пока недоступны.

Библиографические ссылки

Ellabban O., Abu-Rub H., Blaabjerg F. Renewable Energy Resources: Current Status, Future Prospects and Their Enabling Technology // Renewable and Sustainable Energy Reviews. 2014. Vol. 39. P. 748–764. DOI: 10.1016/j.rser.2014.07.113

Olivares D.E. Trends in Microgrid Control // IEEE Transactions on Power Electronics. 2014. Vol. 5, no. 4. P. 1905–1919. DOI: 10.1109/tsg.2013.2295514

Возобновляемые источники энергии: Теоретические основы, технологии, технические характеристики, экономика / отв. ред. З.А. Стычинский, Н.И. Воропай. Магдебург: Отто-фон-Герике Университет, 2010. 211 с.

Smart Grid Technologies / J. Wang, A.Q. Huang, W. Sung et al. // IEEE Industrial Electronics Magazine. 2009. Vol. 3, no. 2. P. 16–23. DOI: 10.1109/MIE.2009.932583

Smart Grid Concept for Unified National Electrical Network of Russia / Yu.I. Morzhin, Yu.G. Shakaryan, Yu.N. Kucherov et al. // Preprints of proceedings of IEEE PES Innovative Smart Grid Technologies Europe 2011. Manchester, GB: IEEE, The University of Manchester, 2011. Panel session 5D. P. 1–5.

Mohsen F.N., Amin M.S., Hashim H. Application of Smart Power Grid in Developing Countries //

IEEE 7th International Power Engineering and Optimization Conference (PEOCO). 2013. DOI: 10.1109/PEOCO.2013.6564586

Buchholz B.M., Styczynski Z.A. Smart Grids – Fundamentals and Technologies in Electricity Networks. Berlin Heidelberg: Springer-Verlag, 2014. 396 p.

Aizenberg N., Stashkevich E., Ilyukhin I. A Microgrid Model with an Integrated Forecasting and Intelligent Load Management Module // Proceedings – 2021 International Russian Automation Conference, RusAutoCon

2021. P. 486–491. DOI: 10.1109/RusAutoCon52004.2021.9537373

Nguyen H.K., Song J.B., Han Z. Demand Side Management to Reduce Peak-to-Average Ratio Using Game Theory in Smart Grid // 2012 Proceedings IEEE INFOCOM Workshops. 2012. P. 91–96. DOI: 10.1109/infcomw.2012.6193526

A Mathematical Programming Formulation for Optimal Load Shifting of Electricity Demand for

the Smart Grid / R.L. Hu, R. Skorupski, R. Entriken, Y. Ye // IEEE Transactions on Big Data. 2020. Vol. 6, no. 4, P. 638–651. DOI: 10.1109/tbdata.2016.2639528

Design and Implementation of Cloud Analytics-Assisted Smart Power Meters Considering Advanced Artificial Intelligence as Edge Analytics in Demand-Side Management for Smart Homes / Y.-Y. Chen, Y.-H. Lin, C.-C. Kung et al. // Sensors. 2019. Vol. 19, no. 9. P. 2047. DOI: 10.3390/s19092047

Demand-Side Management in the Smart Grid: Information Processing for the Power Switch / M. Alizadeh, X. Li, Z. Wang et al. // IEEE Signal Processing Magazine. 2012. Vol. 29 (5). P. 55–67. DOI: 10.1109/msp.2012.2192951

Momoh J.A. Smart Grid Design for Efficient and Flexible Power Networks Operation and Control // 2009 IEEE/PES Power Systems Conference and Exposition. March 2009. P. 1–8. DOI:

1109/psce.2009.4840074

Suslov K., Gerasimov D., Solodusha S. Smart Grid: Algorithms for Control of Active-Adaptive Network Components // 2015 IEEE Eindhoven PowerTec. June 2015. P. 1–6. DOI: 10.1109/ptc.2015.7232462

Solodusha S., Suslov K., Gerasimov D. Applicability of Volterra Integral Polynomials in the Control Systems of Electric Power Facilities // 2016 International Conference Stability and Oscillations of Nonlinear Control

Systems (Pyatnitskiy's Conference). June 2016. P. 1–4. DOI: 10.1109/stab.2016.7541227

Методы прогнозирования электропотребления в распределительных сетях (обзор) / А.М. Абдурахманов, М.В. Володин, Е.Ю. Зыбин и др. // Электротехника: сетевой электронный научный журнал. 2016. Т. 3, № 1. С. 3–23.

Прогнозирование электропотребления предприятия с применением искусственных нейронных сетей / С.А. Кассем, А.Х.А. Ибрагим, А.М. Хасан, А.Г. Логачева // Вестник Тюменского государственного университета. Физико-математическое моделирование. Нефть, газ, энергетика. 2021. Т. 7, № 1 (25). С. 177–193. DOI: 10.21684/2411-7978-2021-7-1-177-193

Морозова Н.С. Подходы к прогнозированию электропотребления энергосистем // Динамика систем, механизмов и машин. 2018. Т. 6, № 3. С. 61–67. DOI: 10.25206/2310-9793-2018-6-3-61-67

Манусов В.З., Бирюков Е.В. Краткосрочное прогнозирование электрической нагрузки на основе нечеткой нейронной сети и ее сравнение с другими методами // Известия Томского политехнического университета. 2006. Т. 309, № 6. С. 153–158.

Application of Residual Modification Approach in Seasonal ARIMA for Electricity Demand Forecasting: A Case Study of China / Y. Wang, J. Wang, G. Zhao, Y. Dong // Energy Policy. 2012. Vol. 48. P. 284–294. DOI: 10.1016/j.enpol.2012.05.026

Pedersen L., Stang J., Ulseth R. Load Prediction Method for Heat and Electricity Demand in Buildings for the Purpose of Planning for Mixed Energy Distribution Systems // Energy and Buildings. 2008. Vol. 40 (7). P. 1124–1134. DOI: 10.1016/j.enbuild.2007.10.014

Reiss P.C., White M.W. Household Electricity Demand, Revisited // The Review of Economic Studies. 2005. Vol. 72, no. 3. P. 853–883. DOI: 10.1111/0034-6527.00354

Aizenberg N., Stashkevich E., Voropai N. Forming Rate Options for Various Types of Consumers in the Retail Electricity Market by Solving the Adverse Selection Problem // International Journal of Public Administration. 2019. Vol. 42 (15–16). P. 1349–1362. DOI: 10.1080/01900692.2019.1669052

Данные о стоимости электроэнергии. ПАО «Астраханская энергосбытовая компания». URL https://astsbyt.ru/yuridicheskim-liczam/czena-elektricheskoj-energii/ (дата обращения: 16.01.2022).