Ключові слова
агрегатори
локальні ринки електроенергії
нейронні мережі
віртуальні електростанції
Як цитувати
Анотація
У роботі здійснено порівняльний аналіз трьох підходів до короткострокового прогнозування нетто-навантаження віртуальних об’єднань енергетичних об’єктів, сформованих із будівель різного призначення та масивів сонячної генерації. Дослідження спрямоване на аналіз впливу рівня агрегації вхідних часових рядів на точність прогнозів сумарного споживання, генерації СЕС та сальдованої потужності. Усі експерименти виконано на єдиній вибірці даних UCSD Microgrid із застосуванням однотипної моделі Transformer, що дало змогу виокремити ефект від впливу структури даних, а не архітектури моделі. Результати показали, що для навантаження найвищу точність забезпечує дезагрегований підхід, тоді як для сумарного нетто-навантаження оптимальною є часткова агрегація, яка дає змогу окремо моделювати портфель споживання і генерації. Для PV-генерації всі три стратегії демонструють підвищену чутливість до асиметрії розподілу та нульових значень, причому агреговані прогнози забезпечують нижчий рівень похибки порівняно з bottom-up моделями. Отримані результати дають можливість обґрунтувати вибір рівня агрегації та підходів до прогнозування для задач віртуальних електростанцій і локальних енергетичних ринків. Бібл. 14, рис. 4.
Посилання
1.Kyrylenko O., Denysiuk S., Blinov I. Digital transformation of the energy industry: current trends and task. Pratsi Instytutu Elektrodynamiky NAN Ukrainy. 2022. V. 65. Pp. 5–14. (Ukr) DOI: https://doi.org/10.15407/publishing2022.65.005
2.Blinov I.V., Parus Ye.V., Shymaniuk P.V., Vorushylo A.O.. 2024. Optimization model of microgrid functioning with solar power plant and energy storage system. Tekhnichna Elektrodynamika. 2024. No 5. Pp, 069. DOI: https://doi.org/10.15407/techned2024.05.069
3.Parus Ye.V., Blinov I.V. Optimization of the use of available energy resources of the microgrid under the condition of supporting readiness for isolated mode. Tekhnichna Elektrodynamika. 2025. No 5. Pp. 56–69. DOI: https://doi.org/10.15407/techned2025.05.056
4.Belokha H.S., Sychova V.V.Optimization of electric load schedules by an aggregator in local power systems. Pratsi Instytutu Elektrodynamiky NAN Ukrainy, 2023. No 66. Pp. 84–89. DOI: https://doi.org/10.15407/publishing2023.66.084
5.Blinov I., Radziukynas V., Shymaniuk P., Dyczko A., Stecuła K., Sychova V., Miroshnyk V., & Dychkovskyi R. Smart management of energy losses in distribution networks using deep neural networks. Energie., 2025, No 18. Pp. 3156. DOI: https://doi.org/10.3390/en18123156
6.Chernenko P.O., Martyniuk O.V., & Miroshnyk V.O. Modelling and short-term forecasting of the technological component of the electrical load of a regional power system. Tekhnichna Elektrodynamika. 2016. No 4. Pp. 68–70. DOI: https://doi.org/10.15407/techned2016.04.068
7.Peñaloza A. A., Leborgne R. C., & Balbinot A. Comparative analysis of residential load forecasting with different levels of aggregation. Engineering Proceedings. 2022., No 18(1). Pp. 29. DOI: https://doi.org/10.3390/engproc2022018029
8.Beichter M., Phipps K., Frysztacki M. M., Mikut R., Hagenmeyer V., & Ludwig N. Net load forecasting using different aggregation levels. Energy Informatics. 2022, No 5(S1). Pp. 19. DOI: https://doi.org/10.1186/s42162-022-00213-8
9.Peng Y., Wang Y., Lu X., Li H., Shi D., Wang Z., & Li J. Short-term load forecasting at different aggregation levels with predictability analysis. IEEE Innovative Smart Grid Technologies – Asia (ISGT Asia) 2019. Pp. 3385–3390. DOI: https://doi.org/10.1109/ISGT-Asia.2019.8881343
10.Sevlian R., & Rajagopal R. Short term electricity load forecasting on varying levels of aggregation. arXiv preprint. 2017. arXiv:1404.0058. DOI: https://doi.org/10.1016/j.ijepes.2017.10.032
11.Anand H., Nateghi R., & Alemazkoor N. Bottom-up forecasting: Applications and limitations in load forecasting using smart-meter data. Data-Centric Engineering, 2023. No 4. Pp. e14. DOI: https://doi.org/10.1017/dce.2023.10
12.Bandyopadhyay S., Ganu T., Khadilkar H., & Arya V. Individual and aggregate electrical load forecasting: One for all and all for one. Proceedings of the 6th International Conference on Future Energy Systems (e-Energy ’15. Pp. 257–267 DOI: https://doi.org/10.1145/2768510.2768539
13.Silwal S., Mullican C., Chen Y.A., Ghosh A., Dilliott J., and Kleissl J. Open-source multi-year power generation, consumption, and storage data in a microgrid, Journal of Renewable and Sustainable Energy. 2021. Vol. 13. No. 2. Pp. 025301. DOI: https://doi.org/10.1063/5.0038650.
14.Vaswani A. et al. Attention is all you need, I. Guyon, U. Von Luxburg, S. Bengio, H. Wallach, R. Fergus, S. Vishwanathan, and R. Garnett, Eds., Curran Associates, Inc., In Proceedings of the 31st International Conference on Neural Information Processing Systems (NIPS'17). Curran Associates Inc., Red Hook, NY, USA, 6000–6010.
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Авторське право (c) 2025 В.О. Мірошник, В.В. Сичова