Ключові слова
Як цитувати
Анотація
В статті досліджено перспективи та потенціал використання відновлюваних джерел енергії для вирішення проблеми глобального потепління. Проаналізовано світову тенденцію збільшення обсягів генерування електроенергії фотоелектричними станціями за даними Міжнародного агентства з відновлюваної енергетики та тенденцію збільшення встановленої потужності фотоелектричних станцій в Україні, які реалізовують генеровану потужність за «зеленим» тарифом за даними Національної комісії, що здійснює державне регулювання у сферах енергетики та комунальних послуг України. Досліджено можливості та умови використання штучних нейронних мереж для визначення генерування електроенергії фотоелектричних станцій на прикладі електричної станції «Цекинівська-2» 4–5 черга. Для формування бази даних для створення і навчання штучних нейронних мереж було використано платформу розроблену European Commission – Photovoltaic Geographical Information System. Встановлено закономірності зміни метеорологічних супутникових даних та їх вплив на генерування електроенергії фотоелектричних станцій. Для цього використано програмний комплекс MATLAB, а саме модуль для створення штучних нейронних мереж – Neural Networks Toolbox. Висота сонця умовно вважається сталою і її значення повторюється з року в рік або має незначне відхилення, томуможе використовуватись як індикатор години і умовно можна вважати відомим наперед, тобто визначеним за емпіричними формулами і таким що змінюється тільки під впливом певних астрофізичних закономірностей. Щодо температури на висоті 2 м та вітру на висоті 10 м, то ці метеорологічні дані є відомими, так як вони потрібні не лише для прогнозування роботи відновлюваних джерел енергії, а й також в сільському господарстві. Тому найбільш проблемними вважаються дані пов’язані з сонячним випромінюванням, так як цю величину найважче визначити. Супутникові дані можуть мати похибку, встановлення метеопостів, а саме якісних піранометрів є вартісною процедурою, але допоможе забезпечити навчальною вибіркою якісних даних. Для прогнозування з задовільною точністю потрібно накопичити дані хоча б за рік роботи метеопосту, щоб отримати і проаналізувати певну вибірку даних. Для прогнозування генерування використано модулі nntool та Anfis MATLAB. Але отримані результати можна використовувати для оцінки ефективності роботи фотоелектричних станцій, але вони є незадовільними для оперативного балансування системи.
Посилання
Child M., Kemfert C., Bogdanov D., and Breyer C. Flexible electricity generation, grid exchange and storage for the transition to a 100% renewable energy system in Europe. Renewable Energy. 2019, Vol. 139, pp. 80–101. doi: https://www.doi.org/10.1016/j.renene.2019.02.077
European Commission, Energy Union and Climate. Available at: https://ec.europa.eu (accessed 03.12.2020).
Renewable energy statistics. A European Green Deal. Striving to be the first climate-neutral continent. Available at: https://ec.europa.eu/info/strategy/priorities-2019-2024/european-green-deal_en (accessed 05.12.2020).
Shinn L. Renewable Energy: The Clean Facts. Available at: https://www.nrdc.org/stories/renewable-energy-clean-facts (accessed 05.12.2020).
Global Energy Review 2020. Available at: https://www.iea.org/reports/global-energy-review-2020 (accessed 05.12.2020).
Renewable capacity statistics. Available at: https://www.irena.org (accessed 05.12.2020).
Zvit pro rezul'taty diyal'nosti Natsional'noyi komisiyi, shcho zdiysnyuye derzhavne rehulyuvannya u sferakh enerhetyky ta komunal'nykh posluh u 2018 rotsi. Postanova NKREKP # 440 vid 29.03.2019 [Report on the performance of the National Commission for State Regulation of Energy and Public Utilities in 2018. NKREKP Resolution No. 440 dated 29.03.2019]. Kyiv, NKREKP, 2018. 304 p.
Rubanenko O., Yanovych V. Analysis of instability generation of Photovoltaic power station. 2020 IEEE 7th International Conference on Energy Smart Systems (ESS). Kyiv, Ukraine, 2020, pp. 128–133. doi: https://www.doi.org/10.1109/ESS50319.2020.9160093
Rubanenko O., Yanovych V., Miroshnyk O., Danylchenko D. Hydroelectric Power Generation for Compensation Instability of Non-guaranteed Power Plants. 2020 IEEE 4th International Conference on Intelligent Energy and Power Systems (IEPS). Istanbul, Turkey, 2020, pp. 52–56. doi: https://www.doi.org/10.1109/IEPS51250.2020.9263151
Rubanenko O., Miroshnyk O., Shevchenko S., Yanovych V., Danylchenko D., Rubanenko O. Distribution of Wind Power Generation Dependently of Meteorological Factors. 2020 IEEE KhPI Week on Advanced Technology (KhPIWeek). Kharkiv, Ukraine, 2020, pp. 472–477. doi: https://www.doi.org/10.1109/KhPIWeek51551.2020.9250114
Lezhniuk P., Komar V., Kravchuk S. Regimes Balancing in the Local Electric System with Renewable Sources of Electricity. 2019 IEEE 20th International Conference on Computational Problems of Electrical Engineering (CPEE). Lviv-Slavske, Ukraine, 2019, pp. 1–4, doi: https://www.doi.org/10.1109/ CPEE47179.2019.8949118
Sree Lakshmi G., Rubanenko O., Hunko I. Renewable Energy Generation and Impacts on E-Mobility. Journal of Physics: Conference Series. 2020, vol. 1457. doi: https://www.doi.org/10.1088/1742-6596/1457/1/012009
Wang H., Z. Lei Z., Zhang X., Zhou B., Peng J. A review of deep learning for renewable energy forecasting. Energy Conversion and Management. 2019, vol. 198, pp. 111799 doi: https://www.doi.org/10.1016/j.enconman.2019.111799
Khalib T., Elmenreich W. A Model for Hourly Solar Radiation Data Generation from Daily Solar Radiation Data Using a Generalized Regression Artificial Neural Network. International Journal of Photoenergy. 2015. vol. 2015. P. 1–13. doi: https://www.doi.org/10.1155/2015/968024
Wu Y. K., Wu Y. C., Hong J. S., Phan L. H. Phan Q. D. Probabilistic Forecast of Wind Power Generation with Data Processing and Numerical Weather Predictions. 2020 IEEE/IAS 56th Industrial and Commercial Power Systems Technical Conference (I&CPS). Las Vegas, NV, USA, 2020, pp. 1–11. doi: https://www.doi.org/10.1109/ICPS48389.2020.9176791
Suyono H., Prabawanti D. O., Shidiq M., Hasanah R. N., Wibawa U., Hasibuan A. Forecasting of Wind Speed in Malang City of Indonesia using Adaptive Neuro-Fuzzy Inference System and Autoregressive Integrated Moving Average Methods. 2020 International Conference on Technology and Policy in Energy and Electric Power (ICT-PEP). Bandung, Indonesia, 2020, pp. 131–136, doi: https://www.doi.org/10.1109/ICT-PEP50916.2020.9249867
Hussieny O. Abd Al-Azeem, El-Beltagy M. A., El-Tantawy S. Forecasting of renewable energy using ANN, GPANN and ANFIS (A comparative study and performance analysis). 2020 2nd Novel Intelligent and Leading Emerging Sciences Conference (NILES). Giza, Egypt, 2020, pp. 54–59. doi: https://www.doi.org/10.1109/NILES50944.2020.9257963
Hamouda N., Babes B., Kahla S., Boutaghane A., Beddar A., Aissa O. ANFIS Controller Design Using PSO Algorithm for MPPT of Solar PV System Powered Brushless DC Motor Based Wire Feeder Unit. 2020 International Conference on Electrical Engineering (ICEE). Istanbul, Turkey, 2020, pp. 1–6, doi: https://www.doi.org/10.1109/ICEE49691.2020.9249869
Andrew Cotter J., Uddin M. N., Amin I. K. Particle Swarm Optimization based Adaptive Neuro-Fuzzy Inference System for MPPT Control of a Three-Phase Grid-Connected Photovoltaic System. 2019 IEEE International Electric Machines & Drives Conference (IEMDC). San Diego, CA, USA, 2019, pp. 2089–2094. doi: https://www.doi.org/10.1109/IEMDC.2019.8785403
Sujil A., Kumar R., Bansal R. C. FCM Clustering-ANFIS-based PV and wind generation forecasting agent for energy management in a smart microgrid. The Journal of Engineering. 2019, Vol. 2019, Iss. 18, pp. 4852–4857. doi: https://www.doi.org/10.1049/joe.2018.9323
Jaladi K. K., Kumar S., Saini L. M. ANFIS Controlled Grid Connected Electric Vehicle Charging Station Using PV Source. 2020 First IEEE International Conference on Measurement, Instrumentation, Control and Automation (ICMICA). Kurukshetra, India, 2020, pp. 1–5. doi: https://www.doi.org/10.1109/ICMICA48462.2020.9242717
Photovoltaic Geographical Information System. Available at: https://re.jrc.ec.europa.eu/pvg_tools/en/#PVP (accessed 03.12.2020).
Odabas M. S., Temizel K. E., Caliskan O., Senyer N., Kayhan G., Ergun E. Determination of reflectance values of hypericum s leaves under stress conditions using adaptive network based fuzzy inference system. Neural Network World. 2014, Vol. 24, No. 1, pp. 79–87. doi: https://www.doi.org/10.14311/NNW.2014.24.004
Modelirovanie neyronnykh setey v MATLAB [Modelling neural networks in MATLAB]. Available at: http://window.edu.ru (accessed 03.12.2020).
Serdyuk A. A. Komp'yuternye sistemy iskustvennogo intellekta [Computer-based artificial intelligence systems]. Available at: http://www.dgma.donetsk.ua (accessed 03.12.2020)
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
Авторське право (c) 2020 Олена Олександрівна Рубаненко, Дмитро Олексійович Данильченко, Віра Володимирівна Тептя