Использование глубокого обучения для разработки модели прогнозирования для эффективного управления электрическими сетями.
Изменение климата является серьезной экологической проблемой нашего времени. Он ускоряется из-за чрезмерных выбросов углерода из невозобновляемых источников энергии, включая ископаемое топливо. Учитывая эти обстоятельства, правительства во всем мире разрабатывают политику для достижения углеродной нейтральности путем продвижения зеленой энергии.
Это привело к развитию различных возобновляемых источников энергии (ВИЭ) — солнечных панелей, ветряных мельниц и турбин — вместо ископаемого топлива. Необходимо подключение этих РЭС к сетям электроснабжения. В связи с этим перспективным решением являются микросети (МГ), объединяющие возобновляемые и невозобновляемые источники энергии и системы хранения энергии. Но их эффективная работа затруднена из-за неустойчивой доступности и неопределенностей ВИЭ. Например, ВИЭ на основе солнечной энергии не могут эффективно работать в пасмурные дни.
В результате операторы МГ не могут делать выгодные ставки на рынке электроэнергии на сутки вперед, где они должны обещать поставку энергии на следующий день.
Таким образом, существует очевидная необходимость точного прогнозирования неопределенностей в отношении ВИЭ, спроса на их энергию и рыночных цен. Существующие традиционные методы прогнозирования рассматривают различные возможные сценарии будущего и их вероятности. Этот подход имеет ряд недостатков, в том числе низкую точность прогнозирования. Чтобы преодолеть их, исследователи прибегли к моделям, основанным на глубоком обучении. Хотя они делают точные прогнозы, их гиперпараметры — переменные, управляющие процессом обучения, — должны быть соответствующим образом оптимизированы.
На этом фоне профессор Мун-Кем Ким с факультета проектирования энергетических систем Университета Чунг-Анг, Корея, в сотрудничестве с г-ном Хюнг-Джуном Кимом недавно предложил новую модель прогнозирования на основе глубокого обучения для точного прогнозирования неопределенных параметров. для оптимальной и прибыльной работы микросети. Их работа была опубликована Applied Energy.
«Предлагаемый метод прогнозирования на основе данных использует модель долгой краткосрочной памяти (LSTM), искусственную нейронную сеть с обратной связью. Его гиперпараметры оптимизируются с помощью алгоритма оптимизации роя частиц с адаптивным весом (GA-AWPSO) с генетическим алгоритмом, в то время как механизм глобального внимания (GAM) идентифицирует важные функции из данных входных параметров», — объясняет профессор Ким.
«Оба этих алгоритма могут помочь преодолеть ограничения традиционных методов и повысить точность прогнозирования и эффективность модели LSTM».
В своей работе исследователи также разработали программу интеллектуального анализа данных и реагирования на спрос на основе стимулов (DM-CIDR) для обработки неопределенностей, связанных со спросом на энергию и рыночными ценами. Здесь для определения оптимальных ставок стимулирования для потребителей на рынке энергии на сутки вперед использовались точки заказа для определения структуры кластеризации (OPTICS) и алгоритмы k-ближайших соседей (k-NN).
Чтобы продемонстрировать эффективность своей модели GA-AWPSO-LSTM-GAM и программы DM-CIDR, исследователи применили их к историческим данным энергетического рынка Пенсильвании-Нью-Джерси-Мэриленда (PJM). Модель имела более низкую ошибку прогнозирования, чем существующие модели прогнозирования, и обеспечивала наилучшие значения корреляции для прогнозирования доступности ВИЭ. В частности, для солнечных панелей получено значение коэффициента детерминации 0,96, превосходящее значение, полученное из существующих моделей.
С этими выводами исследователи возлагают большие надежды на предложенную ими модель прогнозирования. «Это ускорит интеграцию возобновляемых ресурсов в сети электроснабжения, а также позволит операторам МГ решать вопросы управления энергопотреблением на сутки вперед. Это, в свою очередь, повысит надежность региональных электросетей, обеспечит население дешевой чистой энергией и будет способствовать местная устойчивость. В конечном счете, это может открыть двери для источников электроэнергии с нулевым уровнем выбросов, которые могут сделать углеродную нейтральность к 2050 году реалистичной целью», — заключает профессор Ким.
