Прогнозування фотоелектричної енергії за допомогою нелінійної авторегресивної екзогенної моделі NARX

Abstract

Сонячна енергія стає одним із найбільш перспективних джерел електроенергії для об’єктів цивільної та промислової інфраструктури. Продуктивність генерації на фотоелектричних станціях (ФЕС) суттєво залежить від кліматичних та сезонних умов, зокрема хмарності, швидкості вітру, температури тощо. Точне короткострокове прогнозування генерації дозволяє оптимізувати управління виробництвом, постачанням і зберіганням електроенергії на щоденній чи погодинній основі, що підвищує надійність роботи ФЕС і якість електропостачання. Серед інтелектуальних методів прогнозування найбільш поширеними є моделі, що базуються на штучних нейронних мережах (Artificial Neural Network, ANN). Однією з перспективних методик ANN є нелінійна авторегресивна модель із екзогенними входами (NARX). Модель NARX була обрана через її високу гнучкість використання та вміння навчати нелінійну модель із використанням відношення вхід-вихід. Метою цього дослідження є порівняльний аналіз алгоритмів навчання NARX для прогнозування генерації електроенергії ФЕС. Для цього побудовано та протестовано моделі прогнозування з використанням програмного забезпечення MATLAB 2022b бібліотеки Deep Learning Toolbox

Solar energy is becoming one of the most promising sources of electricity for civil and industrial infrastructure facilities. The generation performance of photovoltaic power plants (PVPs) significantly depends on climatic and seasonal conditions, in particular cloudiness, wind speed, temperature, etc. Accurate short-term forecasting of generation allows optimizing the management of electricity production, supply and storage on a daily or hourly basis, which increases the reliability of PVP operation and the quality of electricity supply. Among intelligent forecasting methods, the most common are models based on artificial neural networks (Artificial Neural Network, ANN). One of the promising ANN methods is the nonlinear autoregressive model with exogenous inputs (NARX). The NARX model was chosen due to its high flexibility of use and the ability to train a nonlinear model using the input-output relationship. The purpose of this study is a comparative analysis of NARX learning algorithms for forecasting PVP electricity generation. For this purpose, prediction models were built and tested using the MATLAB 2022b software of the Deep Learning Toolbox library