Краткосрочное прогнозирование выработки ветровой электростанции

Василий ЗУБАКИН
Заведующий базовой кафедрой возобновляемых источников энергии РГУ нефти и газа (НИУ) имени И.М. Губкина, профессор, д. э. н.
e-mail: anna.gorshik@yandex.ru

Введение

Для успешной интеграции возобновляемых источников энергии в энергетические системы требуются точные и надежные прогнозы объектов генерации. С увеличением установленной мощности объектов ВИЭ и изменением структуры энергетических рынков растет потребность в краткосрочных и среднесрочных прогнозах.
С развитием современных технологий точность прогнозирования как потребления электрической энергии, так и генерации растет. Можно использовать методы машинного обучения для прогнозирования выработки ветряных электростанций, которые иногда для краткосрочных прогнозов дают лучшие результаты, чем традиционные физические модели, основанные на моделировании погоды. Однако при применении методов машинного обучения к области прогнозирования ветровой энергии возникает проблема, связанная с временем вычисления.
Повысить точность прогнозирования выработки ветряных электростанций можно, используя модели ансамбля, которые объединяют прогнозы многочисленных и желательно разных моделей, что уменьшает ошибку прогноза. Сначала анализируются однородные ансамблевые регрессоры, использующие единый базовый алгоритм. Далее предлагается построение разнородных ансамблей. Эти модели используют несколько базовых алгоритмов и выигрывают от увеличения разнообразия среди комбинированных предикторов. Международный опыт показывает, что сочетание различных методов в ансамбле уменьшает ошибку прогноза, а также сокращает время вычисления [1–3].

Прогнозирование выработки ВЭС

На сегодняшний день разработано большое количество различных моделей прогнозирования выработки ВЭС. Данные модели различаются с точки зрения требуемых входных параметров и используемого инструментария.
Выбор модели во многом зависит от временного горизонта прогнозирования.
Очевидно, что при увеличении горизонта прогнозирования ошибка прогноза увеличивается [4].

По одной из классификаций все существующие методы прогнозирования выработки ВЭС делятся на:

1. Физические методы. Вводные данные: (температура, давление, шероховатость поверхности, препятствия) в модели численного прогноза погоды (ЧПП) для создания погодных условий для конкретной местности.
2. Статистические методы. Используются исторические данные и данные генерации в реальном времени для статистической корректировки результатов, полученных из моделей численного прогноза погоды (рис. 1).
3. Комбинирование статистических моделей, а также моделей машинного обучения вместе с численным прогнозом погоды и анализом местности методами вычислительной гидродинамики является наиболее оптимальным методом прогнозирования.
4. Персистентный метод: в качестве следующего прогноза используются предыдущие значения. Данный метод основывается на простом предположении «завтра будет, как вчера». Иногда считают, что будущее значение переменной зависит от среднего ее предыдущих значений, а значит, пользуются скользящей средней.
   К сожалению, такой прогноз дает большую ошибку при долгосрочном прогнозировании [5]. Для получения предсказания на шаг вперед предыдущее значение должно быть фактически наблюдаемой величиной.
5. Ансамблевое прогнозирование. Хорошей альтернативой известным алгоритмам машинного обучения является применение ансамблевых моделей. Используя ряд различных предикторов и, в конечном итоге, объединяя их выходные значения с прогнозом, можно повысить точность классификации и регрессии, часто сокращая необходимое время вычислений. В отличие от современных алгоритмов машинного обучения, ансамблевые методы требуют меньшей настройки и экспертных знаний в предметной области. Было показано, что групповые классификаторы и регрессоры хорошо работают в различных приложениях, таких как распознавание изображений, медицина, сетевая безопасность и другие [6].
   Ансамблевые модели регрессии для прогнозирования ВЭС используются достаточно часто. Интуиция, стоящая за ансамблевыми моделями простая: прежде чем принять важное решение, мы спрашиваем мнение нескольких человек.
   Тем не менее, необходимо отметить, что эффективность ансамблевого прогнозирования сильно зависит от распределения ошибки каждой регрессионной модели.

Краткосрочное прогнозирование скорости ветра

Концептуально технологии прогнозирования скорости ветра можно разделить на два типа. Одним из них является подход, основанный на физической модели, то есть использование численного прогнозирования погоды (NWP). Второй подход основан на статистическом моделировании, то есть работы с данными.
Поскольку NWP основано на физических моделях, оно, с одной стороны, позволяет прогнозировать на относительно более длительный временной горизонт, от нескольких часов до нескольких дней вперед. С другой стороны, интенсивные вычисления, необходимые для решения сложных моделей погоды, ограничивают временные и пространственные разрешения для NWP, из-за чего для краткосрочного прогноза обязательно использование статистических моделей.
Поэтому для прогнозирования скорости ветра в краткосрочной перспективе целесообразно изучить и оценить существующие статистические модели (MA, ARIMA и др.), а также модели с использованием машинного обучения (Random Forest, RNN, LSTM и др.).

Краткосрочное прогнозирование выработки ВЭС

Прогнозирование выработки ветряной электростанции является более сложней задачей, чем прогнозирование скорости ветра.
Однако учет дополнительных факторов в моделировании кривой мощности ветрогенератора, позволяет снизить ошибку прогноза [7], поэтому планы по выработке ВЭС эффективнее строить на основе прогноза не только скорости ветра, но и других параметров.
Так для снижения ошибки краткосрочного прогноза выработки ВЭС наиболее эффективно использовать следующий инструментарий:
Данные, полученные из численных моделей прогнозирования и SCADA.
Моделирование ветрового потока с помощью моделей вычислительной гидродинамики.
Современные модели нейронных сетей (Temporal Fusion Transformer, N-BEATS (ElementAI).
Temporal Fusion Transformer (TFT) – новая архитектура нейронных сетей, основанная на внимании, которая сочетает в себе высокоэффективное прогнозирование с несколькими горизонтами с интерпретируемым пониманием временной динамики. Чтобы изучить временные отношения в разных масштабах, TFT использует повторяющиеся слои для локальной обработки и интерпретируемые уровни собственного внимания для долгосрочных зависимостей. TFT использует специализированные компоненты для выбора соответствующих функций и ряд уровней стробирования для подавления ненужных компонентов, обеспечивая высокую производительность в широком диапазоне сценариев. На множестве реальных наборов данных модель демонстрирует значительное улучшение производительности по сравнению с существующими эталонными моделями [8].
N-BEATS (ElementAI). Данная архитектура нейронной сети наиболее эффективно используется для одномерных временных рядов (рис. 2).

Моделирование прогноза скорости ветра для ВЭС

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.
Цель моделирования: оценить эффективность разных моделей прогнозирования для скорости ветра.
Были построены модели для прогнозирования на горизонт планирования от 1 часа до 6 часов и произведен сравнительный анализ моделей прогнозирования по различным метрикам ошибки.
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 1 и 2.

Модели, используемые для прогнозирования скорости ветра представлены ниже:
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. Применение сети LSTM позволило снизить среднюю абсолютную ошибку в процентах по сравнению с результатами, полученными другими исследователями [9]. Однако в отсутствие других эндогенных и экзогенных данных простые статистические модели оказываются более эффективны, чем модели машинного обучения для горизонта прогнозирования от 1 до 4 часов.
Таким образом, использование только временного ряда скорости ветра не позволяет получить высокую точность прогнозирования скорости ветра.