Порівняльний аналіз інтелектуальних методів прогнозування генерації електроенергії фотоелектричними станціями (ФЕС)

Abstract

Сонячна енергія є одним із значущих видів відновлюваної енергії, яка перетворюється на електроенергію за допомогою фотоелектричних станцій (ФЕС). Цей вид енергії вважається невичерпним, безкоштовним та екологічно чистим, що обумовлює високу популярність ФЕС. Важливим питанням енергетичного ринку України є точне прогнозування генерації електроенергії в короткостроковому періоді. Короткострокові прогнози є основою погодинного прогнозування генерації ФЕС на добу наперед (коливається від однієї години до 24 год). На сьогоднішній день використовують фізичні, статистичні та інтелектуальні методи прогнозування. Серед методів інтелектуального прогнозування найбільшою популярністю користуються моделі на основі штучних нейронних мереж (ANN) і адаптивних нейронечітких систем логічного висновку (ANFIS) [1]. Метою цього дослідження є порівняльний аналіз методів короткострокового прогнозування виробництва електроенергії ФЕС з використанням інтелектуальних методів прогнозування: 1. Нелінійна авторегресійна нейронна мережа (ANN NAR); 2. Нелінійна авторегресивна екзогенна модель з екзогенними входами (ANN NARX); 3.Метод ANFIS, яка включає наступні моделі GENFIS: а) Модель Grid Partitioning; б)Модель Subtractive Clustering; в)Модель FCM Clustering. Моделі прогнозування були побудовані та протестовані за допомогою програмного забезпечення MATLAB 2022а з набором інструмента: Fuzzy Logic Toolbox та Deep Learning Toolbox. Об’єкт дослідження – ФЕС в м.Києві з встановленою потужністю 100 кВт.Solar energy is one of the significant types of renewable energy, which is converted into electricity using photovoltaic power plants (PVs). This type of energy is considered inexhaustible, free and environmentally friendly, which determines the high popularity of PVs. An important issue of the energy market of Ukraine is the accurate forecasting of electricity generation in the short term. Short-term forecasts are the basis of hourly forecasting of PV generation a day in advance (ranging from one hour to 24 hours). Today, physical, statistical and intelligent forecasting methods are used. Among the intelligent forecasting methods, the most popular are models based on artificial neural networks (ANN) and adaptive neural fuzzy inference systems (ANFIS) [1]. The purpose of this study is a comparative analysis of methods for short-term forecasting of PV electricity production using intelligent forecasting methods: 1. Nonlinear autoregressive neural network (ANN NAR); 2. Nonlinear autoregressive exogenous model with exogenous inputs (ANN NARX); 3. ANFIS method, which includes the following GENFIS models: a) Grid Partitioning model; b) Subtractive Clustering model; c) FCM Clustering model. Forecasting models were built and tested using MATLAB 2022a software with the toolkit: Fuzzy Logic Toolbox and Deep Learning Toolbox. The object of the study is a photovoltaic power plant in Kyiv with an installed capacity of 100 kW.