Широкое использование возобновляемых источников энергии в условиях свободного рынка электроэнергии приводит к необходимости создания новых средств поддержания баланса между генерацией и потреблением электроэнергии, в частности управления накопителями энергии в современных электроэнергетических системах (ЭЭС). Однако большинство предлагаемых моделей накопителей энергии не учитывают некоторые важные параметры, такие как нелинейная зависимость коэффициентов полезного действия (КПД) от срока службы и изменения мощности работы накопителей, распределение во времени нагрузки между несколькими независимыми накопителями и другие. Для решения этой проблемы в данной работе предложены модели на основе интегральных уравнений Вольтерра первого рода с ядрами, представленными в виде разрывных функций. Такие модели позволяют определить неизвестную знакопеременную функцию изменения мощности накопителей при известных значениях нагрузки потребителей и генерации. Однако для эффективного решения этой задачи требуется качественный прогноз электрической нагрузки, поэтому в статье предлагается несколько прогнозных моделей на основе машинного обучения. В качестве входных переменных такие модели используют среднесуточную температуру, значения нагрузки со смещением по времени, скользящие средние и другие признаки. В статье приведено сравнение результатов прогнозирования для нескольких моделей: случайный лес, градиентный бустинг над решающими деревьями, метод опорных векторов, а также мультипараметрическая линейная регрессия. Эффективность предложенных моделей продемонстрирована на реальных данных энергосистемы Германии.

Сидоров Денис Николаевич, д-р физ.-мат. наук, проф., Институт систем энергетики им. Л. А. Мелентьева СО РАН, Российская Федерация, 664033, г. Иркутск, ул. Лермонтова, 130; Иркутский национальный исследовательский технический университет, Российская Федерация, 664074, г. Иркутск, ул. Лермонтова, 83; Иркутский государственный университет, Российская Федерация, 664003, Иркутск, ул. К. Маркса, 1, e-mail: dsidorov@isem.irk.ru

Жуков Алексей Витальевич, младший научный сотрудник, Институт солнечно-земной физики СО РАН, Российская Федерация, 664033, г. Иркутск, ул. Лермонтова, 126a, e-mail: zhukovalex13@gmail.com

Муфтахов Ильдар Ринатович, программист, Иркутский информационно-вычислительный центр ОАО “РЖД”, Российская Федерация, 664005, г. Иркутск, ул. Маяковского, 25; Институт систем энергетики им. Л. А. Мелентьева СО РАН, Российская Федерация, 664033, г. Иркутск, ул. Лермонтова, 130, e-mail: ildar_sm@mail.ru

Сидоров Д. Н., Жуков А. В., Муфтахов И. Р. Интегральные модели для управления накопителями энергии на основе прогноза нагрузки в ЭЭС с возобновляемыми источниками генерации // Известия Иркутского государственного университета. Серия Математика. 2018. Т. 26. С. 76-90. https://doi.org/10.26516/1997-7670.2018.26.76

1. Анушина Е. С. Система краткосрочного прогнозирования электрической нагрузки : автореф. дис. ... канд. техн. наук : 05.09.03 – электротехнические комплексы и системы. СПб., 2009. 18 с.
2. Карамов Д. Н. Математическое моделирование автономной системы электроснабжения, использующей возобновляемые источники энергии // Вестн. Иркут. гос. техн. ун-та. 2015. Вып. 104, № 9. С. 133–140.
3. Тихонов Э. Е. Методы прогнозирования в условиях рынка. Невинномысск : Невинномыс. технол. ин-т (фил.) СевКавГТУ, 2006. 220 с.
4. Ali Mohd H., Wu B., Dougal R. A. An overview of SMES applications in power and energy systems // IEEE Transactions on Sustainable Energy. 2010. Vol. 1, N 1. P. 38–47. https://doi.org/10.1109/tste.2010.2044901
5. Breiman L. Random forests // Machine learning. 2001. Vol. 45, N 1. P. 5–32.
6. Di Silvestre M. L., Sanseverino E. R. Modelling energy storage systems using Fourier analysis: An application for smart grids optimal management // Applied Soft Com- puting. 2014. Vol. 14. P. 469–481. https://doi.org/10.1016/j.asoc.2013.08.018
7. Dufo-Lopez R., Lujano-Rojas J. M., Bernal-A. J. Comparison of different lead–acid battery lifetime prediction models for use in simulation of standalone photovoltaic systems // Applied Energy. 2014. Vol. 115. P. 242–253. https://doi.org/10.1016/j.apenergy.2013.11.021
8. Dunn B., Kamath H., Tarascon J.-M. Electrical energy storage for the grid: a battery of choices // Science. 2011. Vol. 334, N 6058. P. 928–935 https://doi.org/10.1126/science.1212741.
9. Dursun E., Kilic O. Comparative evaluation of different power management strategies of a stand-alone PV/Wind/PEMFC hybrid power system // International Journal of Electrical Power & Energy Systems. 2012. Vol. 34, N 1. P. 81–89. https://doi.org/10.1016/j.ijepes.2011.08.025
10. Drucker H., Burges C. J., Kaufman L. et al. Support vector regression machines // Advances in neural information processing systems. 1997. P. 155–161.
11. Friedman J. H. Stochastic gradient boosting // Computational Statistics & Data Analysis. 2002. Vol. 38, N 4. P. 367–378. https://doi.org/10.1016/S0167-9473(01)00065-2
12. Karellas S., Tzouganatos N. Comparison of the performance of compressed-air and hydrogen energy storage systems: Karpathos island case study // Renewable and Sustainable Energy Reviews. 2014. Vol. 29. P. 865–882. https://doi.org/10.1016/j.rser.2013.07.019
13. Kuster C., Rezgui Y., Mourshed M. Electrical load forecasting models: A critical systematic review // Sustainable Cities and Society. 2017. Vol. 35. P. 257–270. https://doi.org/10.1016/j.scs.2017.08.009
14. Makarov Y. V., Du P., Kintner-Meyer M. C. W. et al. Sizing energy storage to accommodate high penetration of variable energy resources // IEEE Transactions on sustainable Energy. 2012. Vol. 3, N 1. P. 34–40. https://doi.org/10.1109/tste.2011.2164101
15. Muftahov I., Tynda A., Sidorov D. Numeric solution of Volterra integral equations of the first kind with discontinuous kernels // Journal of Computational and Applied Mathematics. 2017. Vol. 313 P. 119-128. https://doi.org/10.1016/j.cam.2016.09.003
16. Noriega J. R., Iyore O. D., Budime C. et al. Characterization system for research on energy storage capacitors // Review of Scientific Instruments. 2013. Vol. 84, N 5. P. 055109. https://doi.org/10.1063/1.4804165
17. Oza N. C. Online bagging and boosting // 2005 IEEE International Conference on Systems, Man and Cybernetics. 2005. Vol. 3. P. 2340–2345. https://doi.org/10.1109/icsmc.2005.1571498
18. Punys P., Baublys R., Kasiulis E. et al. Assessment of renewable electricity generation by pumped storage power plants in EU Member States // Renewable and Sustainable Energy Reviews. 2013. Vol. 26. P. 190–200. https://doi.org/10.1016/j.rser.2013.05.072
19. Sebastian R., Alzola R. P. Flywheel energy storage systems: Review and simulation for an isolated wind power system // Renewable and Sustainable Energy Reviews. 2012. Vol. 16, N 9. P. 6803–6813. https://doi.org/10.1016/j.rser.2012.08.008
20. Sidorov D. N. Volterra equations of the first kind with discontinuous kernels in the theory of evolving systems control // Studia Informatica Universalis. 2011. Vol. 9, N 3. P. 135–146.
21. Sidorov D. N. Integral dynamical models: singularities, signals and control. World Scientific, 2015. 300 p. https://doi.org/10.1142/9278
22. Sizikov V. S. Further development of the new version of a posteriori choosing regularization parameter in ill-posed problems // Intl. J. of Artificial Intelligence. 2015. Vol. 13, N 1. P. 184–199.
23. Tsuanyo D., Azoumah Y., Aussel D., Neveu P. Modeling and optimization of batteryless hybrid PV (photovoltaic)/Diesel systems for off-grid applications // Energy. 2015. Vol. 86. P. 152–163. https://doi.org/10.1016/j.energy.2015.03.128
24. Zhukov A. V., Sidorov D. N., Foley A. M. Random forest based approach for concept drift handling // International Conference on Analysis of Images, Social Networks and Texts. Springer. 2016. P. 69–77. https://doi.org/10.1007/978-3-319-52920-2_7