Speaker
Description
За последние 5 лет в РФ построено 25 новых ветропарков с суммарной мощностью выработки 2 ГВт. В ходе эксплуатации ВЭС происходит сбор данных с использованием АСУТП. На практике существует потребность в разработке моделей прогноза выработки электроэнергии на несколько дней вперед в связи с планированием диспетчерского графика. Производство электроэнергии за счет ветра зависит от атмосферных процессов. Существует множество факторов, которые могут влиять на генерацию ветра, например, рельеф местности, температура и поверхностное трение. Поведение ветра довольно сложное явление, что приводит к высокой изменчивости выработки энергии ветра. Можно сделать вывод, что выработка энергии ветра является нелинейным и нестабильным процессом. Между тем, сложные особенности изменчивости скорости ветра приводят к низкой предсказуемости ветрогенерации.
Существуют детерминистические и вероятностные модели прогноза выработки электроэнергии с использованием методов машинного обучения и нейронных сетей. Имеются открытые данные по метеопараметрам и выработке электроэнергии с различных соревнований GEFCom2014, Baidu KDD Cup 2022 и других.
Вероятностные модели прогноза более информативны. В работе модель построена с использованием гауссовской регрессии, функции ядра, байесовского процесса, функции правдоподобия. Для предсказания параметров использовалась нейронная сеть с заданным количеством слоев и нейронов. Для снижения размерности исходных данных и ускорения процесса обучения модели использовался метод генерации точек.
Модель SVGP обучалась на данных GEFCom2014, Baidu KDD Cup 2022 для одного ВЭУ. Датасет GEFCom2014 содержал данные по одной ВЭУ за 2012 – 2013 года с кратностью записи данных в один час. Датасет Baidu KDD Cup 2022 содержал 10 признаков за полгода с кратностью записи в 10 минут. В качестве исходных признаков нами использовались значения скорости, направления ветра, температура воздуха. Прогноз выполнен на 24 и 48 часов. Ошибка (метрики CRPS, MAE) составила не более 5%.
| Секция конференции | Методы искусственного интеллекта и машинного обучения |
|---|
