Алгоритм управления микросетью с возобновляемыми источниками энергии с использованием краткосрочного прогнозирования выработки СЭС

Исмагилов Ф.Р.; Хайруллин И.Х.; Вавилов В.Е.; Якупов А.М.

Исмагилов Флюр Рашитович

доктор технических наук, кафедра электромеханики, Уфимский Государственный Авиационный Технический Университет, [email protected]

Хайруллин Ирек Ханифович

доктор технических наук, кафедра электромеханики, Уфимский Государственный Авиационный Технический Университет, [email protected]

Вавилов Вячеслав Евгеньевич

кандидат технических наук, кафедра электромеханики, Уфимский Государственный Авиационный Технический Университет, [email protected]

Якупов Айнур Махмутович

аспирант, кафедра электромеханики, Уфимский Государственный Авиационный Технический Университет, [email protected]

В данной статье авторами предлагается новый алгоритм управления микросетью, основанный на применении методики краткосрочного прогнозирования выработки СЭС. Методика краткосрочного прогнозирования основана на использовании искусственных нейронных сетей и метода исторического подобия. Для ее разработки была апробирована распространенная методика, использующая искусственные нейронные сети при котором, было выявлены ее недостатки, заключающееся в невозможности точного прогнозирования при резком изменении климатических факторов. Для устранения данного недостатка был применен метод исторического подобия, который заключается в поиске исторически подобных интервалов длиной 29 дней, что позволяет вероятности прогнозирования облачных и солнечных дней. Далее, после анализа методики краткосрочного прогнозирования разрабатывается алгоритм управления микросетью. Предложенный алгоритм учитывает краткосрочные прогнозы выработки электрической энергии СЭС, режим работы микросети (изолированный или интегрированный) и на основе этих данных позволяет спрогнозировать и проанализировать возможные аварийные события и пути их предотвращения.

Ключевые слова: алгоритм управления, микросеть, проектирование, возобновляемые источники энергии, искусственные нейронные сети, метод исторического подобия.

1. Введение

В последние годы в РФ зародилась тенденция внедрения возобновляемых источников энергии (ВИЭ) и распределенной энергетики (микросетей), это заметно по увеличению доли в общей генерации электростанций на альтернативных источниках энергии и в изменениях в законодательстве в пользу альтернативных источников энергии.

С увеличением доли ВИЭ появляется вопросы не только в нормативно-правовой базе и дотаций, но и много вопросов в проектировании, эксплуатации объектов альтернативной энергетики, устойчивости энергосистемы.

Актуальной научно-технической задачей является решение проблемы устойчивой работы микросетей с ВИЭ. Проблема заключается в том, что ВИЭ весьма непостоянны в уровне генерируемой энергии, так как она зависит от внешних факторов (например, выработка СЭС меняется от дней суток, длительности солнечных часов, погоды). Это может привести к нарушению работы микросети и ухудшению показателей качества электрической энергии.

Существуют различные алгоритмы и методики управления микросетями которые позволяют решить выше обозначенную проблему [1-7]. Большинство работ посвящено управлению микросетей путем применения специальных алгоритмов. Также применяются алгоритмы для управления процессом заряда/разряда АКБ. Например, в работе [1] предлагается применение специальной системы из топливных элементов с протонообменной мембраной и АКБ. При этом в представленных работах не учитываются краткосрочные прогнозы выработки ВИЭ.

Учитывая недостатки разработанных алгоритмов управления микросетей в [1-8] актуальным является разработка комплексного алгоритма, которая включает себя прогнозирование выработки СЭС, учитывая специфику непостоянства выработки электрической энергии СЭС. Поэтому авторами в данной статье рассмотрен вопрос разработки алгоритма управления микросетью с использование краткосрочного прогноза.

0 55 I» £

55 П П Н

о ы

а

s

«

а б

2. Методика краткосрочного прогнозирования

В настоящее время для краткосрочных прогнозов активно применяются искусственные нейронные сети (ИНС). Поэтому в данном разделе будет исследоваться и разрабатываться методика прогнозирования, основанная на применении ИНС. Очень хорошо зарекомендовал себя многослойный персептрон. Для создания эффективного способа краткосрочного прогнозирования, основывающейся ИНС необходимо исследовать входные данные ИНС, а также способ учета продолжительности солнечных и облачных дней.

В разработанных методиках краткосрочного прогнозирования с помощью ИНС традиционно используются следующие входные: средняя поверхностная солнечная радиация С8АУО, производная 4 порядка функции солнечной радиации Т00шах, средняя квадратичная разница

N00, средняя температура за рассматриваемый период (24 часа) ТАУК , время п :

БАУО' ТО0_, N00, ТАП , п] (1)

2.1 Общие положения

Для реализации ИНС используется инструмент пп№о! МаАаЬ. В качестве алгоритма принимается алгоритм Левенберга-Марквардта, т.к. по проведенному обзору он показал лучшие результаты в других моделях

Для выявления недостатков разработки ИНС по представленным входным данным и для улучшения методики прогнозирования, разработаны и опробованы ИНС, основывающиеся на современных исследованиях. В качестве исходных данных для обучения ИНС выбраны исторические измерения для любой точки уголка земли с интервалом измерений час. Для поверки берутся один облачный день и один безоблачный день.

Всего на вход ИНС подается матрица размером [8760х5], в качестве входного параметра, и матрица [8760х1], в качестве выходного параметра, таблица 1.

Обучение ИНС состоит из трех этапов: обучение, проверка, тестирование. Принимается 70% данных для обучения, 15%- для проверки, 15%- для тестирования. Количество скрытых слоев принимается равным 30.

Результаты обучения ИНС показан на рисунке 1. Представленный график обучения на рисунке 1 показывает сопоставление обучаемых, проверяемых, тестируемых итераций. При обучении ИНС проводилось 55 итераций, наибольшая сходимость найдена на 49 итерации. Рисунок 1 показывает, что обучение прошло успешно и сходимость обучаемых, проверяемых и тестируемых данных удовлетворительна.

Таблица 1

Входной параметр ИНС Выходной параметр ИНС

Gsnorm TOD NDD T n Gout

0 0 1,176807 17.0 1 0

0 0 1,176807 18 2 0

0 0 1,176807 16.0 3 0

0 0 1,176807 18.0 4 0

0 0,07413 1,176807 16.0 5 0

0 0,130106 1,176807 17.0 6 0

0 -0,02496 1,176807 17.0 7 0

0,07413 -0,04387 1,176807 19.0 8 97

0,278366 -0,05219 1,176807 21.0 9 367

0,45764 -0,05825 1,176807 24.0 10 604

0,593041 -0,06051 1,176807 26.0 11 784

0,676248 -0,05749 1,176807 26.0 12 895

0,70121 -0,05144 1,176807 25.0 13 928

0,665658 -0,0416 1,176807 26.0 14 882

0,572617 -0,01059 1,176807 26.0 15 759

0,428139 0,151286 1,176807 25.0 16 569

0,242057 0,045386 1,176807 24.0 17 324

0,045386 0 1,176807 23.0 18 62

0 0 1,176807 22.0 19 0

0 0 1,176807 21.0 20 0

0 0 1,176807 19.0 21 0

0 0 1,176807 19.0 22 0

0 0 1,176807 20.0 23 0

0 0 1,176807 19.0 24 0

Errors = Targets - Outputs Рисунок 1-график обучения ИНС

Для поверки результатов использованы облачный и безоблачный дни, графики которых представлены на рисунке 2.

Также необходимо проверить прогноз необлачного дня в облачный день. Для этого на вход обученной ИНС подается данные облачного дня.

Рисунок 2-Поверяемый Облачный день

2.2 Проверка работы ИНС

Прогнозирование безоблачного в безоблачный день не имеет смысла, т.к. результат будет точным. Поэтому для выявления недостатка ИНС, проводится поверка прогноза облачного дня в безоблачный день. Для этого подаются на вход данные за последние 24 часа, для прогнозирования облачного дня был выбран безоблачный день, причем из таблицы, использованной для обучения, то есть сходимость результата расчетного с поверяемым должна быть высокой. Результаты прогнозирования и поверяемая функция солнечной радиации представлены на рисунке 2 и 3. Как видно из рисунка 3, прогнозные данные на облачный день оказались недостаточно достоверными (максимальная абсолютная погрешность 1000рад/м2), хотя ИНС обучилась с большой точностью и нехарактерной малой погрешностью. В связи с этим необходимо проанализировать и выяснить причины данных неточностей.

- Прогнозируемые значения

час

Рисунок 3 - Результат проверки ИНС на облачном дне

Рисунок 4-Результаты проверки на безоблачном дне

Из рисунка 4 видно, что при прогнозировании графика поверхностной солнечной радиации, когда на вход ИНС подаются данные за предыдущие сутки облачного дня, ИНС выдает график с колебаниями, что не совсем соответствует действительности. Таким образом, представленная методика ввода и анализа данных не совсем точно позволяет прогнозировать при изменение климатических параметров. Анализируя недостатки данного метода, можно сделать вывод, что необходимо разработать методику прогнозирования, которая бы опиралась не только на измерения последних суток.

Отчасти такое неточное прогнозирование возникает, т.к. данные, которые подаются за нулевой момент времени, позволяют нейронной сети только сопоставлять с данными числом месяца, не учитывая месяц, к примеру, данная проблема очень актуальна для России, так как для России характерно изменение графика солнечной радиации на поверхности в разные месяцы, рисунок 5. На рисунке 5 видно, что средняя месячная солнечная радиация на поверхности на территории РБ имеет сильные перепады и варьируется в пределах от 0 до 6 кВт рад/м2/день с 2000-2004.

Исходя из этого делаем вывод, что для правильного обучения искусственной нейронной сети для стран, не находящихся на экваторе или близко к нему, с учетом того, что величина поверхностной солнечной радиации в зависимости от времени года изменяется из-за изменения светового дня, изменения угла падения солнечных лучей, а также перепадов температуры, необходимо обучать нейронную сеть в зависимости от месяца, либо принять в качестве параметра п годовой час(п=1-8760), при применении второго точность будет выше, и выборка ИНС по

т

параметру средней температуры ЛГЯ , нормированной поверхностной солнечной радиации, нормированной внешней солнечной радиации за последние сутки будет более точной.

Несмотря на то, что представленные результаты прогнозирования для безоблачного дня во

0 В I» £

55 П П Н

о ы

а

многих работах являются достаточно точным, они плохо работают при изменении климатических данных (к примеру, если в безоблачный день прогнозировать облачный или в облачный день прогнозировать безоблачный, результаты исследования показаны выше), поэтому необходимо обратить внимание на прогнозирование суммарной энергии на различных интервалах т.к. применение СЭС подразумевает применение АКБ или интегрирование в сеть, что позволяет нивелировать проблему непостоянства, поэтому решающее значение имеет количество средней энергии, выработанное за определенный интервал, это позволит абстрагироваться от проблемы случайных флуктаций и заострить внимание на оценке необходимого запаса электрической энергии и снизит погрешность прогнозирования.

2.3 Подбор и анализ входных данных ИНС

Как было сказано выше, для точного прогнозирования необходимо либо:

- обучаемые данные разделить по месяцам и характерным датам

-либо ввести новый параметр годового дня, которой позволил бы ИНС учитывать угол наклона солнечных лучей (соответственно выработку СЭС) и максимально возможную солнечную радиацию за рассматриваемый период.

5

«

а

6

Рисунок 5- Изменение графика функции солнечного излучения в течении года

В предыдущем разделе было озвучено, что необходимо использование годового часа для учета сезонного изменения поверхностного солнечного излучения. Для этого, вместо суточного часа введем годовой, исключим NDD, так как она не улучшает прогноз. Также в качестве производной принимаем производную первого порядка. Таким образом, в качестве входным параметров ИНС будут использоваться следующие параметры:

GANN = [GSAVG , SOD, TAVR , n] (3)

Где SOD-первая производная.

Результат применения входных данных (3) показан на рисунке 6.

Несмотря на переработку входных параметров ИНС и улучшения ее работы, ИНС не может точно прогнозировать при изменение климатических факторов, рисунок3. Результатом работы ИНС всегда получается прогноз солнечного дня

в определенные дни, это вызвано тем, что для обучения ИНС использовалось мало данных и то, что в ИНС не учитывается интервал времени, предшествовавшего моменту прогнозирования, тем самым, если в году наиболее вероятно солнечный день, то ИНС будет прогнозировать солнечный день, хотя при длительном не изменении погодных условий, вероятность изменения погодных условий увеличивается. Для учета интервалов времени и учета погодных условий, предшествовавших прогнозируемому дню, применяем метод исторического подобия.

Рисунок 6 - Результат проверки ИНС на облачном дне

2.4 Использование метода исторического подобия

Метод исторического подобия (МИП) состоит в поиске подобных исторических графиков функций поверхностной солнечного излучения и средней температуры за рассматриваемый период с определенной точностью. Для использования МИП зададим график солнечной радиации прогнозируемый момент времени виде матрицы ОN = \0( 0(], где т отрезок часов

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

для поиска исторического подобия. Температуру зададим виде средней величины за рассматриваемый период А-тД] по формуле:

X T2

(4)

m

Где рассматриваемый момент времени. Для исторических данных (4) будет выглядеть следующим образом:

T

K

AVR

1

X T2

i=t—m—k

(5)

m

Где к - место начала поиска к часов назад.

Критерием поиска является минимизация абсолютной погрешности. Для увеличения наглядности будем использовать квадрат абсолютной погрешности:

^g g — G^ )2 =Х® )2 min

i=1

^t2 = (Tnavr — Tkar)2 ^ min

i=t—m

Выборка осуществляется в случайный мо-

мент времени GK = [G

t - m - к '

...,G ]

' v J

Оценка погрешности осуществляется средней абсолютной ошибке:

1

MAE = - J\Gt_ - G

ХИ1

i=1

t-k-i

по

(7)

m

И по средней абсолютной погрешности:

MAPE = — J

100%

Рисунок 7- график показывающей реализацию МИП

Определение желательного интервала времени.

Определение желательного интервала определяется из условия подбора количества подобных интервалов и минимальной погрешности для обучения ИНС. Алгоритм работы МИП с ИНС следующий:

-ведется подбор интервалов в прогнозируемый момент t ([М;Ч,..,Р-п;Ц), где р-п;Ц- максимальная длина искомого интервала;

-ведется поиск исторического подобия согласно (4)-(8), определяется количество подобных искомому интервалов, количество подборок не должно быть менее количества скрытых слоев ИНС(эмпирическое правило);

- по выполненным выборке интервалов для каждого искомого интервала (всего п интервалов) формируется матрица входных значений из параметров в данные интервалы времен для обучения ИНС;

-проводится обучение ИНС для каждого искомого интервала времени, проводится регрессионный анализ, исследуется сходимость, вычисляются погрешности. На основе анализа и расчетов проводится выбор наиболее точного ИНС с наиболее удачным искомым интервалом, которые будут использоваться для прогнозирования.

3. Алгоритм управления микросетью 3.1 Исходные данные

Ключевым моментом в алгоритме управления сетью является использование краткосрочных прогнозов выработки электрической энергии

СЭС. Для краткосрочного прогнозирования используется, описанная в предыдущей главе прогнозирование выработки ВИЭ с использованием ИНС и метода исторического подобия.

Алгоритм работы, методики управления показана на рисунке 8. Первым этапом данного алгоритма является получения необходимых измерений. Необходимыми измерениями являются: выработка солнечных панелей в момент прогнозирования, функция изменения выработки солнечной панели за последние 29 дней, средняя температура, средние температуры по дням за последние 29 дней, за рассматриваемый день, измерение суммарного потребления рассматриваемой сети. Ниже приведен алгоритм краткосрочного прогнозирования выработки и нагрузки.

Прогнозирование выработки:

- подбор данных методом исторического подобия, для исключения переобученности ИНС

- обучение ИНС на основе подобранных данных, одновременно с этим, определение необходимого запаса электрической энергии на основе данных за последний месяц методикой исторического подобия.

- формирование входных данных ИНС для обучения ИНС

- прогнозирование с использованием обученной ИНС

Для прогнозирования краткосрочного потребления электрической энергии необходимы следующие данные: текущее потребление электрической энергии, средняя температура в рассматриваемый период, время.

Следующий шаг зависит от режима работы сети, в начале главы рассматриваются два варианта работы сети: изолированной и интегрированной в сеть.

3.2 Режим изолированной работы микросети с СЭС

Следующим шагом после краткосрочных прогнозов является расчет прогнозных режимов, на основе прогнозных данных выработки и потребления электрической энергии. На основе расчетов режимов определяется, соответствия частоты и напряжения сети следующим критериям:

Mi ,05(0,1 Ж* fiE/SO,C I -0.02(0.1)/ s if s 0.02(0.1^ (9)

В случае, когда напряжение в узлах и частота не соответствуют нормативным, определяется избыточная или дефицитная рассматриваемая электрическая сеть:

В случае, когда рассматриваемая электриче-екая сеть дефицитная,

<; —0,05(0,1)^ -o.o:-;o.i)f (10)

есть следующие методы восстановления баланса электрической энергии:

о

R и

£

R

n

H

-разряд АКБ

-задействование резервов мощности(МТ/ДГ) -включение связи с энергосистемой (если она есть)

О ы

а

«

а б

Рисунок 8-Алгоритм управления ЭКГ

Предпринимаемые меры внедряются в расчетную модель и рассчитываются режимы с

учетом принятых мер. После этого снова проверяется дефицитность сети по условиям (9), и если сеть дефицитная, то моделируется действие АЧР, и необходимый объем отключаемой электрической энергии. В случае если ни одна из мер не оказывает необходимого эффекта, то передается сообщение об ожидающемся объёмах отключения.

3.3 Режим интегрированной работы микросети с СЭС

Далее рассмотрим принцип работы алгоритма управления микросети с СЭС при интегрированной работе микросети. В случае, когда рассматриваемая электрическая сеть избыточная: (0,05{0д)*7 ей

(11)

Есть следующие методы восстановления баланса электрической энергии: -заряд АКБ

-отключение части генерации (МТ/ДГ) -включение связи с энергосистемой (если она есть)

- регулирование мощности ВИЭ (если связи с энергосистемой перегружаются)

- отключение части ВИЭ

Рассмотрим для режим интегрированной работы сети:

Основным критерием в случае интегрированной работы энергосистемы является: соответствие напряжений в узлах, перегруз электрооборудования. Если в рассматриваемом режиме работы по результатам прогнозирования и расчет режимов сеть окажется дефицитным, проверяются параметры напряжения и перетоков проверяются по следующим условиям:

(-№{0,1)0«; би £ 0,05(0,1)и

' ^ (12) В случае, когда данные параметры не соответствует, первым шагом для привидения в соответствие напряжения и перетоков используется оптимизация режимов. Когда оптимизация режимов не помогает, рассматриваются следующие мероприятия:

-регулирования напряжения при несоответствии напряжения в узлах -разряд АКБ

-задействование резервов мощности (МТ/ДГ) -отключение части потребителей -отключение перегруженных линий электропередач

Когда данные меры не помогают, рассчитываются необходимые объемы отключений в узлах.

В случае, когда энергосистема избыточная и когда напряжения и перетоки не соответствуют условиям (11) в качестве решения рассматривается оптимизация режимов. Если оптимизация режимов не помогает, используется следующие меры:

-регулирования напряжения при несоответствии напряжения в узлах

- заряд АКБ

- разгрузка генераторов

- отключение перегруженных линий электропередач

4. Выводы.

Разработана методика краткосрочного прогнозирования, основанная на использовании ИНС и метода исторического подобия, которая позволяет прогнозировать выработку ВИЭ на 24 часа. Данная методика применяется для эффективной работы алгоритма управления микросети с СЭС. Также был разработан алгоритм управления микросети, которая может прогнозировать аварийные события и отклонения показателей качества электроэнергии. Алгоритм основывается на использовании краткосрочных прогнозов выработки СЭС, которые были рассмотрены в разделе 2, а также, прогноза потребления электрической энергии. Алгоритм позволяет смоделировать аварийные события и принять оптимальные решения для предотвращения аварийных событий.

Литература

iНе можете найти то, что вам нужно? Попробуйте сервис подбора литературы.

1. Ying Han, Weirong Chen and Qi Li //Energy Management Strategy Based on Multiple Operating States for a Photovoltaic/Fuel Cell/Energy Storage DC Microgrid. Energies 2017, 10, 136.

2. Jongbok Baek , Wooin Choi and Suyong Chae //Distributed Control Strategy for Autonomous Operation of Hybrid AC/DC Microgrid. Energies 2017, 10, 373.

3. Furqan Asghar, Muhammad Talha and Sung Ho Kim Robust Frequency and Voltage Stability Control Strategy for Standalone AC/DC Hybrid Microgrid. Energies 2017, 10, 760

4. Omid Abrishambaf , Pedro Faria, Luis Gomes, Joao Spínola, Zita Vale and Juan M. Corchado 2Implementation of a Real-Time Microgrid Simulation Platform Based on Centralized and Distributed Management. Energies 2017, 10, 806.

5. Youn-Ok Choi and Jaehong Kim Output Impedance Control Method of Inverter-Based Distributed Generators for Autonomous Microgrid. Energies 2017, 10(7), 904

6. Yeongho Choi, Yujin Lim and Hak-Man Kim. Optimal Load Shedding for Maximizing Satisfaction in an Islanded Microgrid. Energies 2017, 10, 45.

7. Lopes, J.A.P.; Moreira, C.L.; Madureira, A.G. Defining control strategies for MicroGrids islanded operation. IEEE Trans. Power Syst. 2006, 21, 916924.

8. Xin, H.; Liu, Y.; Wang, Z.; Gan, D.; Yang, T. A New Frequency Regulation Strategy for Photovoltaic Systems Without Energy Storage. IEEE Transactions on Sustainable Energy 2013, 4, c. 985 - 993.

Algorithm for managing a microgrid with renewable energy sources using short-term forecasting of PV

Ismagilov F.R., Hayrullin I.K., Vavilov V.E., Yakupov A.M.

Ufa State Aviation Technical University

In this article, the authors propose a new algorithm for managing the microgrid, based on the application of the method of short-term forecasting of PV generation. The methodology of short-term forecasting is based on the use of artificial neural networks and the method of historical similarity. For its development, a widespread technique using artificial neural networks was tested where its shortcomings were revealed, namely, the impossibility of accurate prediction in the event of a sudden change in climatic factors. To eliminate this drawback, a historical similarity method was used, which consists in searching historically similar intervals of 29 days in length, which allows the probability of forecasting cloud and sunny days. Further, after analyzing the methodology of short-term forecasting, an algorithm for managing the micronetwork is developed. The proposed algorithm takes into account short-term forecasts of the PV power generation, the operation mode of the microgrid (isolated or integrated) and on the basis of these data allows to forecast and analyze possible emergency events and ways to prevent them.

Keywords: control algorithm, microgrid, engineering, renewable energy sources, artificial neural networks, historical similarity method.

References