Оценка эффективности ветроэнергетики при проектировании с использованием алгоритмического моделирования

Михаил МОКШИН
Аспирант НИЯУ МИФИ
Е-mail: mokshin.my@mail.ru

Александр ПУТИЛОВ
Декан ФБИУКС НИЯУ МИФИ,
д. т. н., профессор
Е-mail: avputilov@mephi.ru

Введение

В настоящее время проблема энергетической эффективности является одной из важнейших задач для развивающихся стран. Деятельность госкорпорации «Росатом» в области использования атомной и ветровой энергетики позволяет решить множество проблем, связанных с обеспечением надежности и стабильности энергии. Экономическая эффективность использования ветровой энергетики обусловлена сокращением экологических рисков и повышением энергетической безопасности [4, 6, 8]. Использование ветровой энергетики является экономически эффективным решением в отечественной атомной отрасли, обеспечивающим снижение уровня зависимости от импорта энергоносителей и уменьшения интенсивности негативного воздействия на окружающую среду [10].
На территории России планируется активное увеличение количества ветроэлектростанций (ВЭС) в ближайшие годы, благодаря разработанному механизму проведения конкурсов для выбора инвестиционных проектов по строительству генерирующих объектов, которые используют возобновляемые источники энергии. Это актуализирует вопросы оценки экономической эффективности ветроэнергетики посредством проектирования и алгоритмического моделирования.
Целью одного из основных российских отраслевых форсайт-­проектов стала разработка методологии выбора важнейших направлений инновационного развития «зеленой экономики» и ее апробация на примере ветроэнергетического машиностроения, что подкрепляется принятыми нормативными актами Правительства РФ [1, 2].
Прогнозирование развития отечественной энергетики в рамках технологии форсайт-­проектирования обусловлено возможностью применения принципов системного, комплексного, междисциплинарного и рискового подходов. Применение при этом цифровых технологий обеспечивает скорость и качество обработки больших данных и предоставление наиболее вероятного результата.
Величины экономических показателей российской промышленности во многом коррелируют с нелинейной динамикой энергетических трендов. В статье разработан эффективный комплексно-­сопряженный подход прогнозирования таких трендов. Он основан на комплексной экономико-­технологической модели, которая сопряжена с базой данных климатических изменений.
Авторами статьи 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.
Форсайт-­исследования были проведены в отношении классических карт потребления ветровой энергии и ее потенциала. Объектами картирования служат пространственные и временные аспекты спроса и предложения, а также определяющие их факторы.

Потенциальные участники российского рынка ветровой генерации

В настоящее время движущим фактором развития российского рынка ветровой генерации выступает госкорпорация «Росатом». Ее дочернее предприятие АО «Новавинд» объединяет все активы ветроэнергетики корпорации, а также проводит экспертизу в передовых сегментах и технологических платформах в сфере электроэнергетики. За первое полугодие 2023 г. ВЭС, принадлежащие «Новавинду» (ветроэнергетический дивизион атомной отрасли), произвели 1,1 млрд КВт·ч электроэнергии. В 2023 г. показатель выработки энергии увеличился на 110 млн КВт·ч, по сравнению с первым полугодием 2022 г., когда выработка составила более 987 млн КВт·ч [3].
Работа всех ВЭС (рис. 1) в течение полугода позволила снизить выбросы парниковых газов в атмосферу на более чем 380 тыс. т эквивалента углекислого газа. С начала работы первой ветроэлектростанции 1 марта 2020 г. и до конца второго квартала 2023 г. общий объем производства электроэнергии ВЭС составил около 4,5 млрд КВт·ч. При этом введение в эксплуатацию в 2023 г. ВЭС «Берестовская» и «Кузьминская» увеличило темп роста накопленного объема производства на 25%. Данные показатели учитывают работу восьми введенных в эксплуатацию ВЭС общей мощностью 880 МВт в Республике Адыгея, Ставропольском крае и Ростовской области.

В октябре 2023 г. АО «Новавинд» и российско-­кыргызский Фонд развития подписали соглашение о проработке и реализации инвестиционного проекта по строительству ВЭС на территории Иссык-­Кульской области Кыргызской Республики. Установленная мощность планируемой станции составит 100 МВт.

Проектирование ВЭС с испльзованием САПР

Как показывает практика, системы автоматизированного проектирования (САПР) являются неотъемлемой частью процесса проектирования и производства, в том числе и ВЭС. САПР позволяют создавать сложные и высокоточные изделия, снижать время и стоимость проектирования и изготовления, а также увеличивать производительность труда и качество продукции [13].
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. Более эффективное проектирование с применением архитектуры параллельных вычислений позволяет инженерам АО «Новавинд» быстрее выпускать новые ВЭС, а также ускоряет процесс обновления и модернизации существующих. Использование САПР позволяет сократить затраты на производство, благодаря оптимизации процесса проектирования, что особенно важно для создания ВЭС, где затраты на производство достаточно высоки.
«Цифровые двой­ники» производственных объектов ВЭС являются важным инструментом для эффективного управления на различных режимах эксплуатации.

Оценка интенсивности использования мощности ВЭС и экономической эффективности ветрогенерации в зависимости от климатических условий в регионах

Оценка интенсивности использования мощности ВЭС различных типов проведена путем анализа следующих показателей:
1) коэффициента использования установленной мощности;
2) структурного коэффициента использования мощности.
Расчет значения индикатора интенсивности использования мощности (КИУМ) ВЭС является долей от возможного выпуска электроэнергии:

(1)

В выражении (1): – 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)

В выражении (2): – доля электростанции i-го типа в структуре выработки электроэнергии, %; – доля электростанции i-го типа в структуре установленной мощности.
Мощность воздушного потока ВЭС представлена закономерностью:

(3)

В формуле (3) введены следующие обозначения: – плотность потока воздушных масс; – коэффициент эффективности ветровой турбины; – скорость воздушного потока, – диаметр рабочего колеса турбины ВЭС. Следует отметить, что роза ветров воздушного потока глобальным образом зависит от климатических условий и регионов при эксплуатации ВЭС.
Спектральный состав скоростей ветра (м/с) реальных воздушных потоков на территории Ростовской и Иссык-­Кульской областей выполнен с помощью вейвлет-­анализа [9, 10]. Вейвлет – коэффициенты разложения поля скоростей воздушного потока по базисным функциям определены интегральной свёрткой:
(4)

В интегральной свёртке (4):

– масштаб, сдвиг, степень масштаба, время, материнский вейвлет, флуктуации поля скорости воздушного потока, соответственно.
Розы ветров для Ростовской и Иссык-­Кульской областей за период 2022 г. приведены в таблицах 1

и 2,

вейвлет-­спектры поля скорости воздушных потоков – на рис. 2(а) и рис. 2(б), соответственно.

Экономический эффект от использования ветроэнергетических установок (ВЭУ) в энергодефицитных регионах определим формулой:

(5)

В формуле (5): – число ВЭУ в составе ВЭС; – годовой дефицит электроэнергии в регионе, КВт·ч/год; – удельная стоимость производства электроэнергии от топливных источников энергии (региональный тариф), руб/КВт·ч; – электроэнергия, вырабатываемая ВЭУ в год, КВт·ч/год;
– издержки эксплуатации, руб.
Результаты численных расчетов представлены в сводной таблице 3.

а основании формул (1) – (3) и (5), а также результатов спектральной обработки мониторинга поля скорости воздушных потоков для рассмотренных регионов авторами статьи предложены следующие рекомендации:
—  в целях достижения максимальной прибыли оптимизировать интенсивности использования мощности ВЭС АО «Новавинд» в зимний период, когда скорость воздушных потоков максимальна, ввести в эксплуатацию парк ВЭУ на территории Ростовской области с максимальным диаметром рабочего колеса турбины, увеличивая их энергопотенциал, но с учетом характерной теплофикационной электрической мощности, вырабатываемой турбоагрегатами ТЭЦ;
—  на территории Иссык-­Кульской области необходимо ввести в эксплуатацию ВЭС, которые позволяют развивать номинальную мощность при относительно невысоких скоростях воздушных потоков.

Модель информационного и алгоритмического обеспечения мониторинга экономических показателей ветрогенерации

В 2021 г. в АО «Атомэнергопромсбыт» введен в эксплуатацию измерительно-­вычислительный комплекс с единым сервером баз данных верхнего уровня – ЦСОД АИИС КУЭ АО «Атомэнергопромсбыт», что позволяет ее потребителям перейти на централизованную унифицированную схему автоматического сбора, обработки, хранения, передачи и отображения в удобном для анализа виде данных коммерческого и технического учета электрической энергии, а также обеспечивает техническую возможность развития и реализации проектов, направленных на снижение стоимости электрической энергии и мощности.
Описанный выше измерительно-­вычислительный комплекс с единым сервером баз данных обладает удобным интерфейсом и доступным отображением показателей, но имеет также ряд недостатков, в частности, не рассмотрены вычислительные алгоритмы постпроцессорной обработки больших данных, предоставление облачных ресурсов и шифрование данных в них с автоматизированным вычислением хэш-кодов для проверки целостности и подмены данных. Авторами статьи предложена структура универсальной комплексной модели (рис. 3) информационного и алгоритмического обеспечения мониторинга ключевых экономических показателей АО «Новавинд».

Структурная детализация модулей в составе разработанной модели представлена ниже. Модуль системы сбора данных включает средства для сбора и хранения данных о различных экономических показателях, таких как финансовые и технические показатели, объемы производства, доли рынка с предоставлением облачных ресурсов.
Аналитический модуль содержит вычислительные алгоритмы и методы статистической постпроцессорной обработки больших данных. Модуль включает временной анализ, прогнозирование экономических показателей, выявление трендов, корреляционный и регрессионный анализы зависимостей между различными экономическими показателями.
Модуль визуализации данных содержит прозрачный интерфейс визуализации больших данных, он позволяет представить собранные и проанализированные данные в понятном и наглядном виде. Для повышения производительности систем обработки данных предлагается совместное использование GPU/CPU процессоров.
Предлагаемая модель предоставляет возможность создания отчетов, на основе собранных данных и их анализа. Отчеты могут быть использованы для внутреннего анализа и принятия оптимальных решений (в том числе с применением искусственного интеллекта), а также для отчетности перед заинтересованными сторонами, такими как акционеры, инвесторы.
Модуль интеграции с внешними системами сопряжен с другими информационными системами, используемыми в организации, такими как система учета, система управления производством или система управления рисками, что позволит инженерам в атомной отрасли автоматизировать сбор данных и обеспечить более эффективное использование информационных ресурсов.
Модуль информационной безопасности обеспечивает защиту конфиденциальной информации собранных данных. Авторы статьи предлагают использовать аппаратно-­программный комплекс шифрования (АПКШ) «Континент», авторизацию и многофакторную аутентификацию пользователей, резервное копирование данных.

В рамках корпоративной платформы управления данными авторами предлагается эффективно использовать описанную выше модель совместно с комплексом инструментов DG/DM («Data Governance»/ «Data Management»), обеспечивающих:
—  прозрачность данных за счет создания единого источника информации и правил управления данными, быстрого поиска по базам данных;
—  единое понимание данных (терминологии, взаимосвязей между бизнес-­терминами, экономическими показателями и источниками данных, методологии экономических и технических расчетов);
—  быстрый доступ к данным и «data-сервисам» за счет реализации единой точки доступа к глоссарию, каталогу данных, аналитической отчетности, порталу самообслуживания;
—  цифровое представление бизнес-­процессов за счет внедрения моделей данных.
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

Эффективное развитие рынка ветровой энергетики зависит от применения современных систем прогнозирования экономической эффективности и моделирования потенциального использования мощности ВЭС в зависимости от климатических условий в регионах эксплуатации, а также работе с базами данных коммерческого и технического учета электроэнергии. Внедрение цифровых технологий в ветровую энергетику, развиваемую в атомной отрасли, позволяет повышать эффективность управления, оптимизировать процессы планирования и производства электроэнергии в различных регионах с учетом местных особенностей.
Аналитика данных, оптимальное управление производства и распределения энергии, автоматизация управленческих процессов на базе цифровых платформ для взаимодействия с потребителями играют ключевую роль в развитии сектора ветровой энергетики и его влияния на цифровую региональную экономику. Использование цифровых инноваций является важным фактором для обеспечения устойчивого развития энергетической отрасли, обеспечения энергетической безопасности и продвижения технологий на экспорт.