Оценка влияния гидроаккумулирующей электростанции на нормальный режим работы электроэнергетической системы Монголии

Цель – оценить влияние интеграции гидроаккумулирующих электростанций на установившийся режим работы Центральной энергосистемы Монголии и надежность ее функционирования в условиях роста электропотребления и увеличения доли возобновляемых источников энергии. Исследование выполнено на основе метода машинного обучения, в частности ансамблевых моделей и статистических ранговых моделей для построения модели суточного графика электропотребления, а также генерации ветровых и солнечных электростанций. Расчеты выполнялись с использованием открытого программного обеспечения Pandapower, что позволило учесть реальные технические характеристики электросетевого оборудования, провести анализ нормальных режимов и оптимизацию режимных параметров. Результаты моделирования показали, что интеграция четырех гидроаккумулирующих электростанций суммарной мощностью 250 МВт позволяет значительно сгладить неравномерность суточного графика выработки тепловых станций. Коэффициент неравномерности, показывающий отношение минимальной суточной нагрузки к максимальной, возрос с 0,8 до 0,96. Анализ режимных параметров не выявил перегрузки системообразующих линий электропередачи или недопустимого отклонения напряжения в узлах. Показано, что суммарные потери мощности в Центральной энергосистеме Монголии при интеграции гидроаккумулирующих электростанций незначительно возросли и составили 5,54% (без учета они составляли 5,36%). Это подтверждает, что перераспределение значительных объемов мощности, связанное с ростом доли возобновляемых источников энергии в энергосистеме Монголии, требует тщательного анализа технического состояния оборудования и увеличения пропускной способности линий электропередачи. Таким образом, внедрение гидроаккумулирующих электростанций к 2030 г. сделает управление режимами работы центральной энергосистемы Монголии более гибким. Это позволит увеличить внутреннее производство электроэнергии, снизить активные потери в сети, уменьшить объем импорта электроэнергии из России, сократить риски перебоев в центральном регионе Монголии и эффективно решить проблему дефицита электроэнергии.

1. Bat-Erdene B., Voropai N.I., Batmunkh S., Zhargalsaikhan B., Lyankhtsetseg S., Bat-Undral B. Methodological framework for planning the development of Mongolia’s electric power systems and energy industry // Energy Systems Research. 2023. Vol. 4. Iss. 6. Р. 5–24. https://doi.org/10.25729/esr.2023.04.0001.

2. Bat-Erdene B., Batmunkh S., Battulga M. The problems in development modelling of Mongolian power energy systems // IEEE Region 10 Symposium (TENSYMP). 2021. https://doi.org/10.1109/TENSYMP52854.2021.9550833.

3. Matrenin P.V., Osgonbaatar T., Sergeev N.N. Overview of renewable energy sources in Mongolia // IEEE International Multi-Conference on Engineering, Computer and Information Sciences. 2022. P. 700–703. https://doi.org/10.1109/SIBIR-CON56155.2022.10016986.

4. Harrucksteiner A., Thakur J., Franke K., Sensfuß F. A geospatial assessment of the techno-economic wind and solar potential of Mongolia // Sustainable Energy Technologies and Assessments. 2023. Vol. 55. Р. 102889. https://doi.org/10.1016/j.seta.2022.102889.

5. Зырянов В.М., Кирьянова Н.Г., Коротков И.Ю., Нестеренко Г.Б., Пранкевич Г.А. Системы накопления энергии: российский и зарубежный опыт // Энергетическая политика. 2020. № 6. С. 76–87. https://en.energypolicy.ru.

6. Elalfy D.A., Gouda E., Kotb M.F., Bures V., Sedhom B.E. Comprehensive review of energy storage systems technologies, objectives, challenges, and future trends // Energy Strategy Reviews. 2024. Vol. 54. Р. 101482. https://doi.org/10.1016/j.esr.2024.101482.

7. Rahman M.M., Oni A.O., Gemechu E., Kumar A. Assessment of energy storage technologies: a review // Energy Conversion and Management. 2020. Vol. 223. Р. 113295. https://doi.org/10.1016/j.enconman.2020.113295.

8. Behabtu H.A., Messagie M., Coosemans T., Berecibar M., Fante K.A., Kebede А.А., et al. A review of energy storage technologies’ application potentials in renewable energy sources grid integration // Sustainability. 2020. Vol. 12. Iss. 24. Р. 10511. https://doi.org/10.3390/su122410511.

9. Alvarez G. Operation of pumped storage hydropower plants through optimization for power systems // Energy. 2020. Vol. 202. Р. 117797. https://doi.org/10.1016/j.energy.2020.117797.

10. Gerini F., Vagnoni E., Cherkaoui R., Paolone M. Optimal short-term dispatch of pumped-storage hydropower plants including hydraulic short circuit // IEEE Transactions on Power Systems. 2024. Р. 1–11. https://doi.org/10.1109/TPWRS.2024.3463951.

11. Ruppert L., Schürhuber R., List B., Lechner A., Bauer C. An analysis of different pumped storage schemes from a technological and economic perspective // Energy. 2017. Vol. 141. Р. 368–379. https://doi.org/10.1016/j.energy.2017.09.057.

12. Сидорова А.В., Черемных А.А., Русина А.Г. Python как инструментарий оптимизации режима ГЭС в составе ЭЭС // Вестник Казанского государственного энергетического университета. 2021. Т. 13. № 2. С. 119–132. EDN: RXEUZU.

13. Osgonbaatar T., Matrenin P., Safaraliev M., Zicmane I., Rusina A., Kokin S. A rank analysis and ensemble machine learning model for load forecasting in the nodes of the central Mongolian power system // Inventions. 2023. Vol. 8. Iss. 5. Р. 114. https://doi.org/10.3390/inventions8050114.

14. Wang Yuanyuan, Sun Shanfeng, Chen Xiaoqiao, Zeng Xiangjun, Kong Yang, Chen Jun, et al. Short-term load forecasting of industrial customers based on SVMD and XGBoost // International Journal of Electrical Power & Energy Systems. 2021. Vol. 129. Р. 106830. https://doi.org/10.1016/j.ijepes.2021.106830.

15. Wang Delu, Gan Jun, Mao Jinqi, Chen Fan, Yu Lan. Forecasting power demand in China with a CNN-LSTM model including multimodal information // Energy. 2023. Vol. 263. Part E. Р. 126012. https://doi.org/10.1016/j.energy.2022.126012.

16. Dosdoğru A.T., İpek A.Ä. Hybrid boosting algorithms and artificial neural network for wind speed prediction // International Journal of Hydrogen Energy. 2022. Vol. 47. Iss. 3. Р. 1449–1460. https://doi.org/10.1016/j.ijhydene.2021.10.154.

17. Abdellatif A., Mubarak H., Ahmad S., Ahmed T., Shafiullah G.M., Hammoudeh A., et al. Forecasting photovoltaic power generation with a stacking ensemble model // Sustainability. 2022. Vol. 14. Iss. 17. Р. 11083. https://doi.org/10.3390/su141711083.

18. Alawneh S.G., Zeng Lei, Arefifar S.A. A review of high-performance computing methods for power flow analysis // Mathematics. 2023. Vol. 11. Iss. 11. Р. 2461. https://doi.org/10.3390/math11112461.

19. Thurner L., Scheidler A., Schäfer F., Menke J., Dollichon J., Meier F. Pandapower – an open-source Python tool for convenient modeling, analysis, and optimization of electric power systems // IEEE Transactions on Power Systems. 2018. Vol. 33. Iss. 6. Р. 6510–6521. https://doi.org/10.1109/TPWRS.2018.2829021.

20. ГрязинаЕ.Н., БалуевД.Ю. Исследование допустимых и предельных режимов работы энергетических систем // Автоматика и телемеханика. 2024. № 5. С. 112–128. https://doi.org/10.31857/S0005231024050047. EDN: YQDRMJ.