Сергеев Никита Николаевич – лаборант межкафедральной Научно-исследовательской лаборатории обработки, анализа и представления данных в электроэнергетических системах, Новосибирский государственный технический университет.
630073, Новосибирск, пр-т К. Маркса, 20
Nikita N. Sergeev - Laboratory Assistant of the Interdepartmental Research Laboratory for Processing, Analysis and Presentation of Data in Power Systems.
20, K. Marks pr., Novosibirsk 630073
Матренин Павел Викторович - кандидат технических наук, старший научный сотрудник межкафедральной Научно-исследовательской лаборатории обработки, анализа и представления данных в электроэнергетических системах.
630073, Новосибирск, пр-т К. Маркса, 20
Pavel V. Matrenin - Cand. Sci. (Eng.), Senior Researcher of the Interdepartmental Research Laboratory for Processing, Analysis and Presentation of Data in Power Systems.
20, K. Marks pr., Novosibirsk 630073
Цель – проведение аналитического обзора и систематизация современных подходов к прогнозированию генерации электроэнергии на базе возобновляемых источников энергии в мировой практике, а также анализ актуальных проблем и перспективных решений в данном направлении. Классификация методов прогнозирования генерации электроэнергии возобновляемыми источниками выполнена на основе анализа литературных источников, посвященных разработке моделей прогнозирования, которые включают в себя физические модели, использование статистических методов и методов на базе машинного обучения. Проведен анализ использования наиболее распространенных методов (физических, статистических и методов машинного обучения) прогнозирования генерации электроэнергии возобновляемыми источниками, выделены преимущества и недостатки данных методов. Установлено, что в большинстве случаев – в особенности в задачах краткосрочного прогнозирования генерации – методы прогнозирования на базе машинного обучения показывают более высокие результаты по сравнению с физическими и статистическими методами. По результатам анализа актуальных проблем в области систем сбора метеоданных установлено, что основными препятствиями для широкого применения алгоритмов машинного обучения на практике являются неполнота и неопределенность исходных данных, а также высокая вычислительная сложность таких алгоритмов. Показано, что с целью повышения эффективности моделей машинного обучения в задаче прогнозирования генерации возобновляемых источников энергии можно применять различные методы предварительной обработки данных, такие как нормализация, определение аномалий и восстановление пропущенных значений, аугментация и кластеризация, корреляционный анализ. Принято решение о необходимости разработки методов предварительной обработки данных , направленных на оптимизацию и общее повышение эффективности моделей машинного обучения для прогнозирования генерации возобновляемых источников энергии. Ведение исследований в данном направлении при учете всех перечисленных проблем имеет высокую значимость для реализации программ по интеграции возобновляемых источников энергии в электроэнергетическую систему и развития в области безуглеродной энергетики.
In this work, we conduct an analytical review of contemporary international approaches to forecasting the volume of electricity generated by renewable energy sources, as well as to investigate current problems and prospective solutions in this field. The existing forecasting methods were classified following an analysis of published literature on the development of forecasting models, including those based on physical, statistical and machine learning principles. The application practice of these methods was investigated to determine the advantages and disadvantages of each method. In the majority of cases, particularly when carrying out short-term forecasting of renewable electricity generation, machine learning methods outperform physical and statistical methods. An analysis of the current problems in the field of weather data collection systems allowed the major obstacles to a wide application of machine learning algorithms to be determined, which comprise incompleteness and uncertainty of input data, as well as the high computational complexity of such algorithms. An increased efficiency of machine learning models in the task of forecasting renewable energy generation can be achieved using data preprocessing methods, such as normalization, anomaly detection, missing value recovery, augmentation, clustering and correlation analysis. The need to develop data preprocessing methods aimed at optimizing and improving the overall efficiency of machine learning models for forecasting renewable energy generation was justified. Research in this direction, while taking into account the above problems, is highly relevant for the imp lementation of programs for the integration of renewable energy sources into power systems and the development of carbon-free energy.
The authors declare that there are no conflicts of interest present.