№ 3. С. 57-65.
5. Общая энергетика: водород в энергетике : учебное пособие для вузов / Р.В. Радченко, А.С. Мокрушин, В.В. Тюльпа; под научной редакцией С.Е. Щеклеина. М.: Издательство Юрайт, 2024. 230 с.
Иванов Арсений Сергеевич, инженер-исследователь, mr.arseny.ivanov@mail. ru, Россия, Обнинск, АО «ГНЦРФ-ФЭИ» им. А.И.Лейпунского,
Шкарупа Игорь Леонидович, канд. техн. наук, руководитель группы, shil2018igor@yandex. ru, Россия, Обнинск, АО «ГНЦРФ-ФЭИ» им. А.И.Лейпунского,
Устинов Игорь Константинович, канд. техн. наук, доцент, ustinovigorkir@yandex. ru, Россия, Калуга, Калужский филиал Московского Государственного Технического Университета имени Н.Э. Баумана
LUNAR ENERGY A.S. Ivanov, I.L. Shkarupa, I.K. Ustinov
On June 18, 2009, the Atlas-5 launch vehicle launched from the Cape Canaveral cosmodrome. This time, the payload was the LCROSS - Lunar Crater Observation and Sensing Satellite (a spacecraft for observing and probing lunar craters), along with this device on the rocket was the now famous LRO - Lunar Reconnaissance Orbiter (literally, the orbital lunar scout), which was able to create an incredibly detailed map of the Lunar surface. Both devices provided a lot of knowledge about our natural satellite, and in particular, a fundamental answer was found - there is water in the form of ice on the Moon. Moreover, it turned out to detect water not by remote neutron sensors, but by physical contact with ice - one of the tasks of LCROSS was to collide part of the payload with the Moon, in order to obtain an artificial crater in the right place and at the right time. The time of the crater's appearance was chosen so that the spacecraft passed through the dust lifted from the lunar surface. Water ice was found in this dust, which was detected by recording equipment [1].
Key words: unar energy, electrolysis of water, colonization of the moon, gas storage.
Ivanov Arseny Sergeevich, research engineer, [email protected], Russia, Obninsk, JSC «GNC RF-FEI» named after A.I.Leipunsky,
Shkarupa Igor Leonidovich, candidate of technical sciences, head of the group, shil2018igor@yandex. ru, Russia, Obninsk, JSC «GNC RF-FEI» named after A.I.Leipunsky,
Ustinov Igor Konstantinovich, candidate of technical sciences, docent, ustinovigorkir@yandex. ru, Russia, Kaluga, Kaluga branch of the Bauman Moscow State Technical University
УДК 004.896
Б01: 10.24412/2071-6168-2024-2-135-136
ИССЛЕДОВАНИЕ ВЛИЯНИЯ ТЕМПЕРАТУРЫ ОКРУЖАЮЩЕЙ СРЕДЫ НА ПРОГНОЗИРОВАНИЕ ВЫРАБОТКИ ФОТОЭЛЕКТРИЧЕСКОЙ УСТАНОВКИ
С.В. Шабунин
В данной статье рассматривается, что важным фактором влияющем на прогнозирование выработки электрической энергии фотоэлектрической установкой является климатические условия, а частности температура окружающей среды. Предлагается спрогнозировать выработку собственной генерации используя интеллектуальную нейронную сеть. Модель прогнозирования будет учитывать изменение температуры окружающей среды. Рассматривается как изменение температуры окружающей среды влияет на выработку электроэнергии. Важно учитывать почасовое изменение температуры окружающей среды, что бы ошибка прогнозирования имела минимальные значения.
Ключевые слова: интеллектуальная нейронная сеть, прогнозирование, фотоэлектрическая установка.
Введение. Планирование распределения потоков электроэнергии является важнейшей задачей из-за высокого уровня неопределенности в интеллектуальной сети, существует острая необходимость в качественном методе обработки прогнозируемой выработки электроэнергии возобновляемых источников энергии фотоэлектрических панелей. Технология искусственного интеллекта - дает возможность повысить качество принятия решений задач прогнозирования.
Преобразование солнечной энергии в электрическую является перспективным направлением возобновляемой генерации электрической энергии. Солнечная энергия практически безгранична и не загрязняет окружающую среду. Широкое распространение солнечной генерации увеличивает роль прогнозирования выработки электроэнергии фотоэлектрических установок. Для эффективного прогнозирования выработки электроэнергии необходимо спрогнозировать поведение фотоэлектрической установки при изменении условий окружающей среды.
Как правило, для решения задач прогнозирования используют регрессионные модели, позволяющие связать известное количество необходимой электроэнергии, поступающей с собственной фотоэлектрической установки, а также с шиной питающей подстанции с потреблением электроэнергии исследуемым потребителем. [1]
В настоящее время получили распространение системы, моделирующие нервную систему живых организмов. В информационных источниках есть большое количество публикаций, основанных на использовании для прогнозирования искусственные нейронные сети. Цель прогнозирования уменьшение риска при принятии решения. [2] В настоящее время исследователи сосредоточили свое внимание на интеллектуальных методах прогнозирования таких как искусственные нейронные сети.
Искусственная нейронная сеть-это интеллектуальная вычислительная система, основной принцип которой основан на поведении биологических нейронов, в мозге человека. [3].
Постановка задачи. Рассмотрим следующую задачу: Генерирующий потребитель имеет собственную генерацию в виде фотоэлектрической установки и накопитель энергии, а также подключен к питающей подстанции. При планировании распределения потоков электроэнергии необходимо спрогнозировать выработку собственной фотоэлектрической установки для планирования необходимого количества электрической энергии поступающей с питающей подстанции. При прогнозировании необходимо опираться на данные выработки электрической энергии за прошлый период времени и прогнозе температуры окружающей среды влияющих на выработку возобновляемых источников энергии.
Целью работы является оценка влияния температуры окружающей среды при прогнозировании выработки электроэнергии на основе искусственной нейронной сети, отвечающий следующим требованиям:
-- выполнение прогноза выработки фотоэлектрической установки на каждый час суток при среднесуточной температуре окружающей среды
-выполнение прогноза выработки фотоэлектрической установки при изменении температуры окружающей среды на каждый час суток.
Исходные данные. Предварительная обработка данный необходима для оценки возможности прогнозирования. Основными данными в этой статье являются значения выработки, полученные от ООО «Комплекс Индустрия» Республика Бурятия России Кабанская СЭС. Производственные данные взяты с 20.05.2020 по 30.09.2020, но подробно рассмотрены данные с 1-7 июня 2020 года. Погодные условия также были приняты в соответствии с географическим расположением солнечной электростанции на эти периоды времени. Солнечная генерация обладает свойством изменчивости, было решено проверить это визуально по полученным данным о генерации. Визуальный анализ изменчивости выработки электроэнергии был проведен путем изучения выработки электроэнергии в течение нескольких недель. На рис. 1 показана изменчивость мощность выработки. На рис. 1 показана изменчивость мощности солнца.
Таблица 1
Исходные данные для прогнозирования электропотребления (фрагмент)_
Момент времени Температура воздуха Т, °С Мощность Р,кВт
20.05.2020,11:00 23 600
20.05.2020, 12:00 23 750
20.05.2020, 13:00 25 1200
20.05.2020, 14:00 28 950
20.05.2020, 15:00 28 950
30.09.2020, 22:00 22 0
30.09.2020, 23:00 22 0
Рис. 1. Алгоритм обработка данных выработки электрической энергии фотоэлектрическими панелями с расчетом факторов, влияющих на работу системы
На рис. 1 показано, что на вход подаётся информация, которая содержит файл формата «.С8У» с исходными данными, который содержит данные о выработке электроэнергии фотоэлектрическими панелями, с периодичностью в один час и метеоданные окружающей среды на каждом из интервалов. Производится анализ данных, который включает: расчёт средних показателей выработки электроэнергии и метеофакторов в интервалах: сутки, неделя, ме-
136
сяц; расчёт коэффициентов корреляции между следующими параметрами: t и p. Результатом работы программы является вывод графиков объёмов выработки электроэнергии и температуры окружающей среды в заданных временных интервалах, а также числовые значения корреляции между выбранными параметрами.
Прогнозирование выработки электроэнергии солнечными панелями. В данной задаче прогнозирования используем информационно аналитическую систему Rapidmmer, где функциональные блоки выделены в специальные операторы с помощью которых формируется обработка данных. Архитектура интеллектуальной нейронной сети учитывает особенности выработки электрической энергии фотоэлектрической установки. [4-6] При прогнозировании выработки особое значение имеет метеорологический прогноз погоды, так как на выработку влияют погодные климатические и сезонные условия. Температура влияет на способность фотоэлектрической установки производить энергию [7-9].
1400
S ^ i- 1200 - -J^-
1- В
о а:
ю 1000 ш ^^^
а р S /
.0 а 800 - я Ж
ей е J \
.0 1- X m 600 -
с О
о р
X 1— 400 -^^г -
^ е
о
:> m 200 Ж
0
21 22 23 25 26 27 28 28 25 23 Температура окружающей среды,'°С
Рис. 2. Суточная прогнозируемая выработка фотоэлектрической установки при отклонении от средней температуры окружающей среды
о
^ Время, час
■ Среднесуточная ■ Прогнозируемая
Рис. 3. Влияние температуры окружающей среды в суточном интервале
Attribute Atmosph ere pressure Consump tion , Kvt date:day_ of_month date:day_ of_week = 1 date:day_ of_week = 2 date:day_ of_week = 3 date:day_ of_week = 4 Day temp
Atmosphere pressure 1,000 -0,104 -0,484 -0,129 0,017 0,014 0,164 -0,134 -0,183
Consumption , Kvt -0,104 1,000 0,189 -0,016 -0,034 -0,007 0,083 -0,022 0,156
date:day_of_month -0,484 0,189 1,000 0,049 -0,071 -0,022 0,022 0,058 -0,017
date:day of week = 1 -0,129 -0,016 0,049 1,000 -0,170 -0,169 -0,169 0,613 -0,014
date:day_of_week = 2 0,017 -0,034 -0,071 -0,170 1,000 -0,149 -0,149 -0,614 -0,016
date:day of week = 3 0,014 -0,007 -0,022 -0,169 -0,149 1,000 -0,148 -0,419 -0,068
date:day_of_week = 4 0,164 0,083 0,022 -0,169 -0,149 -0,148 1,000 -0,227 -0,064
Day -0,134 -0,022 0,058 0,613 -0,614 -0,419 -0,227 1,000 0,030
temp -0,183 0,156 -0,017 -0,014 -0,016 -0,068 -0,064 0,030 1,000
Рис. 4. Матрица корреляции между параметрами
Из рис. 2-3 следует, что при повышении температуры окружающей среды выше 25 градусов выработка электрической энергии фотоэлектрической установки снижается чем больше повышается температура окружающей среды свыше 25 градусов тем сильнее падает выработка электрической энергии фотоэлектрической установки снижается (рис.3)
На рис. 4 показано, что в процессе сбора и обработки данных, основываясь на экспертных оценках, были учтены такие параметры, как мощность потребления электроэнергии на предприятии, время суток (час в сутках), день недели, день месяца, температура, атмосферное давление. Результаты корреляционного анализа между выбранными параметрами. Корреляционный анализ является одним из ключевых методов статистического анализа, который позволяет определить степень связи между двумя или более переменными.
Один из наиболее распространенных индикаторов корреляционного анализа - коэффициент корреляции Пирсона. Он измеряет линейную связь между двумя непрерывными переменными и может принимать значения от -1 до 1. Значение коэффициента корреляции Пирсона близкое к 1 указывает на положительную линейную связь, близкое к -1 - на отрицательную линейную связь, а значение близкое к 0 - на отсутствие линейной связи [10].
Обсуждение результатов. Метод прогнозирования, основанный на искусственной нейронной сети, практически значим, основываясь на данных, приведенных на рисунке 3. Этот метод играет важную роль в исследовании, поскольку это позволяет определить значимость факторов метеорологических условий для того, чтобы указать на их значимость в выработке солнечной энергии.
В будущем планируется использовать модель прогнозирования, основанную на искусственной нейронной сети, для определения вклада каждого фактора, влияющего на основную характеристику, и для изучения процессов производства энергии.
Заключение. В результате исследования было установлено, что при повышении температуры окружающей среды выше 25 градусов выработка электрической энергии снижается. При построении прогнозной модели важно учитывать почасовое изменение температуры окружающей среды, чтобы ошибка прогнозирования имела минимальные значения. Прогнозирование выработки электроэнергии из возобновляемых источников позволит оператору интеллектуальных систем максимально использовать собственную выработку электроэнергии и подключаться к станции электроснабжения только при плановом дефиците электроэнергии, что обеспечит наиболее сбалансированное управление энергоресурсами.
Список литературы
1. Валь П.В. Краткосрочное прогнозирование электропотребления горного предприятия с использованием однофакторных методов // Вестник Сибирского государственного аэрокосмического университета им. академика М.Ф. Решетнева. 2011. № 2(35). С. 12-17.
2. Исследование методов аппроксимации для решения задачи краткосрочного прогнозирования суточного электропотребления / Р.Н. Хамитов, А.С. Грицай, И.В. Червенчук, Г.Э. Синицин // Вестник Самарского государственного технического университета. Серия: Технические науки. 2016. № 4(52). С. 91-98.
3 Reynolds, C.F. A Distributed Behavioral Model / C.F Reynolds, Herds, and Schools // Computer Graphics. -1987. Vol. 21. - no. 4. - P. 25-34.
2. Eberhart, R.C. New Optimizer Using Particle Swarm Theory / R.C. Eberhart, J. Kennedy // VI International Symposium on Micro Machine and Human Science, Japan. - 1995. - P. 39-43.
4. Kennedy, J. Particle swarm optimization / J. Kennedy, R.C. Eberhart // International Con-ference on Neural Networks (ICNN'95). Perth, WA, Australia. -1995. - P. 1942-1948.
5. Shi, Y. A modified particle swarm optimizer / Y. Shi, R. Eberhart // IEEE International Conference on Evolutionary Computation. Anchorage, AK, USA. - 1998. - P. 69-73
6. Karaboga, D. An idea based on honey bee swarm for numerical optimization. Technical report-tr06 [Электронный ресурс] / D. Karaboga. -Turkey, Kayseri: Erciyes University, 2005. - 10 p. - Режим доступа:http://www.dmi.unict.it/mpavone/nc-cs/materiale/tr06_2005.pdf. - Загл. с экрана.
7. Pham, D.T. The Bees Algorithm - A Novel Tool for Complex Optimisation Problems / D.T. Pham, A. Ghan-barzadeh, E. Kof, S. Otri , S. Rahim , M. Zaidi. - 2005. - 40 p. - Режим доступа:
8. Воевода А.Е., Харитонова Д.Д., Валь П.В. Краткосрочное прогно-зирование электропотребления на основе метода случайного леса // Электроэнергетика глазами молодежи - 2016 : Материалы VII Международной молодёжной научно-технической конференции. В 3 т., Казань, 19-23 сентября 2016 года. Том 2. - Казань: Казанский государственный энергетический университет. 2016. С. 124-127.
9. Денисова Л.А. Математическая модель цифровой системы регулирования с переменными параметрами // Автоматизация в промышленности. 2011. №9. С. 45-48
10. Chen, T. and Guestrin, C. (2016) XGBoost: A scalable tree boosting system, arXiv.org. Available at: https://doi.org/10.48550/arXiv.1603.02754
Шабунин Сергей Владимирович, аспирант, [email protected], Россия, Омск, Омский государственный технический университет,
Научный руководитель Денисова Людмила Альбертовна, д-р техн. наук, профессор, denisova@asoiu. com, Россия, Омск, Омский государственный технический
INVESTIGATION OF THE INFLUENCE OF AMBIENT TEMPERATURE ON THE PREDICTION OF THE PRODUCTION OF A PHOTOELECTRIC INSTALLATION
S. V. Shabunin
This article considers that an important factor in predicting the production of electric energy by a photovoltaic installation is climatic conditions, in particular the ambient temperature. It is pro-posed to predict the generation of its own generation using an intelligent neural network. The forecasting model will take into account the change in ambient temperature. It is considered how the change in ambient temperature affects the generation of electricity. It is important to take into account the hourly change in ambient temperature, so that the prediction error has minimal values.
Key words: intelligent neural network, forecasting, wind power plant, photovoltaic plant.
Shabunin Sergey Vladimirovich, postgraduate, [email protected], Russia, Omsk, Omsk State Technical
University
Scientific director Denisova Lyudmila Albertovna, doctor of technical science, professor, den-isova@asoiu. com, Russia, Omsk, Omsk State Technical University