Исследование методов и моделей прогнозирования мощности ветроэнергостанций

Михаил МОКШИН
Аспирант факультета бизнес-информатики и управления комплексными системами Национального исследовательского ядерного университета «МИФИ»
Е-mail: mokshin.my@mail.ru

Александр ПУТИЛОВ
Декан факультета бизнес-информатики и управления комплексными системами Национального исследовательского ядерного университета «МИФИ», д. т. н., профессор, академик Российской академии естественных наук
Е-mail: avputilov@mephi.ru

Ольга РИМСКАЯ
Эксперт Федерального реестра научно-технической сферы РФ, к. э. н., доцент
Е-mail: olgarim@mail.ru

Введение

Электроэнергетика сегодня стремительно трансформируется в рамках «зеленой повестки». Доля возобновляемых источников энергии (ВИЭ) и атомной энергии к концу 2050 г. увеличится до 57–70% [6]. В России выработка электроэнергии по итогам 2023 г. составила 1151,6 млрд кВт·ч, а электропотребление – 1139,2 млрд кВт·ч. Фактически показатели предыдущих лет по потреблению были вновь превышены [11].
Совокупно на ветровую и солнечную генерацию приходится более 3/4 всей установленной мощности объектов возобновляемой энергетики в России. В 2023 г. было введено в эксплуатацию 26 ветроэлектростанций [7].
Среди российских экономистов и инженеров сложились некоторые разногласия в выборе методики расчёта эффективности ветропарков, источниках финансирования инвестиционных проектов в сфере ветроэнергетики и некоторых иных финансово-­экономических аспектах. Причинами послужили сложности с точным прогнозом поступления энергии по проекту, неопределённость или нерелевантность данных, выбор варианта компоновки энергетического оборудования ветропарка и др.
В свете глобальных задач новой технологической политики РФ, связанной с достижением инновационного суверенитета в области технологий ветровой и солнечной энергетик и экспортом высокотехнологичного оборудования и услуг по сооружению объектов ВИЭ за рубежом, очевидна необходимость разработки единой методики расчета экономической эффективности ветроэнергетики.

Методология исследования

Ветроэнергетика как отрасль энергетики и научная дисциплина довольны молоды, первые исследования в области ветровой энергетики и формирование научной школы в СССР начались в 1930‑х гг. и продолжаются в настоящее время. Следование принципам «зеленой» энергетики показывает, что современная ветроэнергетика нуждается в большом количестве исследований для развития научных, технологических и экономических методов прогнозирования объёмов получаемой ветровой энергии.
Вопросами методики расчёта мощности ветра, эффективности ветропарков, финансирования инвестиционных проектов, развития ветроэнергетики в контексте целей устойчивого развития и иных финансово-­экономических аспектах в разное время занимались российские ученые и исследователи Андриянов Д.Л, Алиходжина Н. В., Тягунов М. Г., Шестопалова Т. А., Велькин В. И., Зубакин В. А., Давыдов Д. Ю., Игнатьев Е. В., Обухов С. Г., Старкова Г. С., Манусов В. З., Мартьянов А. С., Кулагин В. А., Грушевенко Д. А., Капустин Н. О., Яковлева Д. Д., Головко М. В., Сетраков А. Н., Томилин С. А., Глазунова А. М., Ковальчук Д. В., Климов Г. М., Артемьев А. Ю., Шакиров В. А., Юсупов К. И., Тожибоев С. Т., Путилов А. В., Мокшин М. Ю., Кирьянов Д. А., Куделин А. Г., Шерьязов С. К., Шелубаев М. В., Зинатуллин А. В., Чибисова Е. Ю., Беккер Н. А., Гвоздев В. А., Гуров В. И. и многие другие. Проблематика изучалась в профильных российских научно-­исследовательских институтах и университетах: РАН, ЦАГИ, АО «ВИЭН», НИЯУ МИФИ, НИУ «МЭИ», Томском политехническом университете, РГУ нефти и газа и др. Однако единого подхода и официально утвержденной методики расчета мощности ветра в России на момент проведения исследования не сложилось.

Виды моделей прогнозирования, применяемых в ветроэнергетике

Современная теория прогнозирования располагает большим арсеналом методов – более 150 методик [3, 5–7], ориентированных для применения в разных странах и отраслях промышленности, но ни один не может быть сегодня признан универсальным.
Главный критерий полезности модели прогнозирования – умение точно предсказывать и снижать неопределённости. На практике точное прогнозирование означает разницу между прогнозируемой и фактической нагрузками не более 5%. Однако такая точность трудно достижима.
Принятие решений при вводе ветроэнергетических мощностей усложняется рядом факторов: высокий уровень неопределенности исходной информации, будущих условий, неопределенности предпочтений потребителя; слабая структурированность, отсутствие специализированных систем поддержки принятия решений [8]. В этой связи задачи ввода ветроэнергетических мощностей требуют совершенствования методического, математического и программного обеспечений.

Анализ зарубежных моделей прогнозирования мощности ветра

В рамках данной статьи рассмотрим применяемые в настоящее время некоторые модели прогнозирования ветра, созданные российскими и зарубежными исследователями и основанные на физических, статистических и гибридных методах в разных временных масштабах.
Для прогнозирования ветра разработаны различные методы, которые можно классифицировать по временным шкалам и методологии. Опираясь на многочисленные исследования, прогнозирование ветра по временному характеру можно условно разделить на 3 категории:
прогнозирование на 8 часов вперёд (краткосрочное прогнозирование);
прогнозирование на 24 часа вперёд (среднесрочное прогнозирование);
прогнозирование на несколько дней вперёд (долгосрочное прогнозирование).
Итак, в качестве основных подходов к прогнозированию ветроэнергетики выделяют модели, которые включают в себя численные прогнозы погоды и измерения в качестве входных данных. Это единственные подходы, способные обеспечить приемлемую точность в течение последующих 24–48 часов и рассчитаны на применение в странах Европы.
Авторы обзора европейских моделей прогнозирования Юсупов К. И. и Тажибоев С. Т. представили также краткое описание рассматриваемых зарубежных моделей прогнозирования ветра и разбор диапазона ошибок рассматриваемых выше моделей прогнозирования ветра [12, 70–73].
В целях изучения указанной проблемы целесообразно рассмотреть модели прогнозирования для расчета экономических результатов применения ветроэнергетики, применяемые в США. Перейдем к обзору экономических моделей, разработанных Управлением по энергоэффективности и возобновляемым источникам энергии США [13] (Office of Energy efficiency and reneweable energy) и обобщенных в изданном в 2022 г. документе «Руководство по экономическому развитию наземной ветроэнергетики». Данное руководство представило модели для расчета экономических последствий и результатов применения ветроэнергетики (таблица 2).

Российские модели прогнозирования мощности ветра

Прежде чем перейти к обзору российских моделей прогнозирования мощности ветра, следует уточнить, что ветроэнергетика России в долгосрочной перспективе будет развиваться под влиянием изменений в энергетической политике и развития новых технологий. Аналитиками Института энергетических исследований РАН подготовлен новый Прогноз развития энергетики мира и России до 2050 г. [6], в котором указано, что в большинстве энергосистем стран мира возобновляемые источники энергии и ископаемые топлива будут скорее дополнять друг друга, чем конкурировать между собой.
На этапе 4 энергетического перехода основным драйвером становится не столько экономическая привлекательность новых источников энергии, сколько качественно новый фактор – декарбонизация и борьба с глобальным изменением климата. Очевидно, что новое направление отразится на технических решениях и экономических моделях современных ветроэнергоустановок.
Исследователи Алиходжина Н. В., Тягунов М. Г., Шестопалова Т. А. из КазГЭУ [1, 76–93] считают, что в настоящее время не уделяется достаточного внимания совершенствованию методов ветроэнергетических расчетов и моделям прогнозирования основных характеристик ветра на площадке расположения ВЭС. Ученые предложили классификацию методов прогноза основных параметров ветра (таблица 3).

Проведенный Алиходжиной Н. В., Тягуновым М. Г., Шестопаловой Т. А. анализ существующих моделей показал:
– модели, предназначенные для ветроэнергетических расчетов среднегодовых и среднемесячных значений скорости ветра, имеют хорошую точность, удобны в применении и пригодны для условий России;
– модели ветроэнергетических расчетов на часовые интервалы не имеют общих методов разработки и построения. Все существующие модели применимы только в точке расположения конкретной ВЭС, для которой они разрабатывались;
– мало внимания уделяется вопросу применимости разработанных моделей. Так, разработанные модели опираются на зарубежных исследователей и их наработки в попытке адаптировать их под условия России.
Особенностью отрасли ветроэнергетики является в настоящее время использование зарубежного программного обеспечения для обоснования площадки под размещение ВЭС и для прогнозирования основных характеристик ветра для планирования режима работы ВЭС. Таким образом, изучив проблему, исследователи выявили следующие факты:
– модели, разработанные и применяемые в метеорологии и авиации не применяются для нужд ветроэнергетики. Поскольку параметры состояния атмосферы не могут быть получены в местах расположения ВЭУ, в связи с этим применение моделей затруднительно;
– модели вертикального профиля ветра работают только в условиях, для которых они разработаны. При переходе в другую географическую точку модели показывают недостоверные результаты, что влияет на точность моделируемых параметров и итоговое решение по выбору площадки ВЭС и оценки ее эффективности;
– модели, определяющие основные характеристики ветра на краткосрочные интервалы времени, базируются на регрессионных и статистических моделях, которые все чаще реализуются с помощью нейронных сетей;
– в отечественной литературе редко упоминаются ветроэнергетические расчеты и их особенности, проблемы и перспективы развития. Также по теме прогнозирования основных характеристик ветра встречается мало научных статей отечественных исследователей, а те, что есть, ссылаются на большое количество зарубежной литературы. Научная школа ветроэнергетики в России еще не сформировалась.
Алиходжина Н. В., Тягунов М. Г., Шестопалова Т. А. также подготовили обзор существующих моделей прогнозирования скорости ветра, используя различные базы данных (таблица 4).
Экономист Зубакин В. А. расширил классификацию методов прогнозирования, разработанную Алиходжиной Н. В., Тягуновым М. Г. и Шестопаловой Т. А., и предложил уточненную классификацию методов прогнозирования выработки ВЭС [4]:
Физические методы.
Статистические методы.
Комбинирование статистических моделей, а также моделей машинного обучения вместе с численным прогнозом погоды и анализом местности методами вычислительной гидродинамики. Считается одним из наиболее оптимальных методов.
Персистентный метод.
Ансамблевое прогнозирование. В отличие от современных алгоритмов машинного обучения, ансамблевые методы требуют меньшей настройки и экспертных знаний в предметной области. Ансамблевые модели регрессии для прогнозирования ВЭС используются достаточно часто. Тем не менее эффективность ансамблевого прогнозирования зависит от распределения ошибки каждой регрессионной модели.
Из-за специфики проведения ветроэнергетических расчетов и их достоверности в точке проведения, применение опыта зарубежных исследований затруднительно и не всегда подходит под условия работы российских ветростанций.
Настоящее положение дел в ветроэнергетике побудило российских ученых и исследователей на самостоятельное решение указанной проблемы. В рамках данной статьи рассмотрим только некоторые работы исследователей, в которых применяется математическое моделирование.
Исследователями Черноталовой Е. А. и Третьяковой М. Н. была разработана и апробирована математическая модель ветроэнергетической установки [9], учитывающей параметры ветрогенератора типа WH6.4–5000W и состоящей из виртуального синхронного генератора, являющегося элементом библиотеки SimPоwerSystem, а также блоков из приложения Simulink пакета программ Matlab, имитирующих действие ветра и движение механической части ветрогенератора.
Ученым-­экономистом Зубакиным В. А. [4] в качестве объекта моделирования был выбран ветрогенератор, расположенный в Российской Федерации. В качестве входных данных использовались параметры, полученные со SCADA с шагом 10 минут и 1 час. В качестве входных данных брались значения скорости ветра за предыдущее время. Оценка ошибки прогноза была произведена для горизонта планирования от 1 до 6 часов. Результаты прогнозирования представлены в таблицах 5 и 6.

Модели, используемые для прогнозирования скорости ветра:
градиентный бустинг;
Random Forest;
XGboost;
многослойный перцептрон (MLP);
рекуррентная нейронная сеть (RNN);
LSTM-сеть;
скользящая средняя (MA).
Применение рекуррентной нейросети с архитектурой LSTM позволило достичь самой высокой точности по сравнению с другими моделями для горизонта прогнозирования на 5–6 часов.
По мнению исследователя Зубакина В. А., использование только временного ряда скорости ветра не позволяет получить высокую точность прогнозирования скорости.
В последние десятилетия активно внедряются методы искусственного интеллекта, которые сочетают в себе разнофакторные исходные данные и признаки иных моделей прогнозирования и отличаются высокой точностью предсказания:
искусственные нейронные сети;
групповые методы обработки данных;
метод опорных векторов.
С большой долей вероятности можно предположить, что будущее за моделями прогнозирования с применением искусственного интеллекта.
Исследователь из НИУ «МЭИ» Игнатьев Е. В. в настоящее время работает над созданием программного комплекса Wind Turbine и находится на этапе сертификации оборудования. Программный комплекс включает модули «Расчет ветроэнергетического кадастра», «Пересчет скорости ветра в точку расположения ВЭУ на высоту башни ВЭУ», «Расчет выработки ВЭУ» [2].
Исследователями из НИЯУ МИФИ Мокшиным М. Ю. и Путиловым А. В. разработана алгоритмическая модель прогнозирования развития отечественной энергетики в рамках технологии форсайт-­проектирования. В модели применены принципы системного, комплексного, междисциплинарного и рискового подходов. Авторами модели предложена форсайт-­методика, которая основывается на системном исследовании и анализе текущего состояния и потенциала ветровой энергетики РФ, выполнена статистическая обработка данных по производству ветровых установок, метеорологических и экономических показателей [5].
Исследователи выявили зависимость величины экономических показателей российской промышленности и нелинейной динамикой энергетических трендов и предложили эффективный комплексно-­сопряженный подход прогнозирования таких трендов. Подход основан на комплексной экономико-­технологической модели, которая сопряжена с базой данных климатических изменений.
Системы автоматизированного проектирования (САПР) уже являются неотъемлемой частью процесса проектирования ВЭС. САПР позволяют быстро создавать и модифицировать проекты, используя компьютерную модель ВЭС, что существенно сокращает время, необходимое на проектирование, и уменьшает вероятность ошибок, связанных с ручным вводом данных. Таким образом, цифровые двой­ники производственных объектов ВЭС являются важным инструментом для эффективного управления в различных режимах эксплуатации.
Оценка интенсивности использования мощности ВЭС различных типов проведена исследователями путем анализа 2 показателей: коэффициента использования установленной мощности и структурного коэффициента использования мощности. Расчет значения индикатора интенсивности использования мощности (КИУМ) ВЭС является долей от возможного выпуска электроэнергии:

, (1)

где: – годовая фактическая выработка электростанции i-го типа, млн кВт·ч; – установленная мощность электростанции i-го типа, ГВт.
Структурный коэффициент использования мощности по типам электростанций определим в соответствии с формулой:

, (2)

где: – доля электростанции i-го типа в структуре выработки электроэнергии, %; – доля электростанции i-го типа в структуре установленной мощности.
Экономический эффект от использования ветроэнергетических установок (ВЭУ) в энергодефицитных регионах определили по формуле:

, (3)

где: n – число ВЭУ в составе ВЭС; Q – годовой дефицит электроэнергии в регионе, кВт·ч/год; – удельная стоимость производства электроэнергии от топливных источников энергии (региональный тариф), руб./кВт·ч; Е – электроэнергия, вырабатываемая ВЭУ в год, кВт·ч/год; – издержки эксплуатации, руб.
Авторами разработки предложена структура универсальной комплексной модели информационного и алгоритмического обеспечений мониторинга ключевых экономических показателей АО «Новавинд», которая может быть транслирована на аналогичные предприятия отрасли. В рамках корпоративной платформы управления данными авторами предлагается эффективно использовать описанную модель совместно с комплексом инструментов DG/DM («Data Governance» / «Data Management»).
Таким образом, использование современных информационных технологий позволит перейти к формированию механизмов управления устойчивым развитием экономики промышленных отраслей и комплексов, в том числе и с использованием ветрогенерации.

Заключение

Проведенное исследование еще раз подтвердило постулат о том, что не существует универсального метода прогнозирования временных рядов, каждый метод находит свое применение для разных типов временного ряда. Для временных рядов, которые подвержены кризисным процессам, лучшую эффективность дают методы на основе нейронных сетей [10, 27–28].
В данной статье была сделана попытка анализа распространенных отечественных и зарубежных моделей прогнозирования. Оценку эффективности различных моделей и их выбор следует рассчитывать в зависимости от конкретного проекта, учитывая характер местности, временные интервалы, экономику проекта, а также перспективность проекта с точки зрения «зеленой» энергетики.
Подводя итог исследованию, можно утверждать, что в настоящее время в России не существует единых подходов к определению основных характеристик ветра в предполагаемой точке строительства ВЭС и нет единых методик для прогнозирования параметров ветра как на краткосрочный, так и среднесрочные интервалы времени.