Оптимизация краткосрочного прогнозирования выработки ветроэлектрических станций с помощью машинного обучения

Денис Алексеевич Снегирев; Андрей Владимирович Паздерин; Владислав Олегович Самойленко; Павел Анатольевич Крючков

Оптимизация краткосрочного прогнозирования выработки ветроэлектрических станций с помощью машинного обучения

Денис Алексеевич Снегирев, Андрей Владимирович Паздерин, Владислав Олегович Самойленко, Павел Анатольевич Крючков

Аннотация

С увеличением доли установленной мощности ветроэлектрических станций в электроэнергетических системах традиционный подход к планированию режимов должен дополняться прогнозированием выработки ветроэлектрических станций. Представлено исследование методов оптимизации гиперпараметров моделей машинного обучения как одного из способов повышения эффективности краткосрочного прогнозирования производства электроэнергии ветроэлектрическими электростанциями. Предложена новая применительно к данной задаче методика, основанная на применении байесовской оптимизации с функцией выбора «нижний доверительный интервал», что обеспечило снижение среднеквадратичной погрешности прогноза на 6,1%.

DOI: 10.71841/EP.elst.2025.1127.6.05

Рукопись поступила в редакцию 2.04.2025, утверждена редколлегией в печать 30.04.2025.

Ключевые слова

прогнозирование выработки ветроэлектростанций, оптимизация гиперпараметров, байесовская оптимизация, машинное обучение, ветроэлектрическая станция, возобновляемые источники энергии.

Полный текст:

PDF

Литература

Renewables, 2023. Analysis and forecasts to 2028 [Electronic resource] // IEA : Offic. site. – 2023. – January. – P. 142. – URL: https://www.iea.org/reports/renewables-2023 (date of access: 14.08.2024).

Отчеты о функционировании ЕЭС России за 2017–2023 гг. [Электронный ресурс] // Системный оператор Единой энергетической системы : офиц. сайт. – URL: https://www.so-ups.ru/functioning/tech-disc/tech-disc-ups/ (дата обращения: 01.09.2024).

Конкурсные отборы инвестиционных проектов ВИЭ [Электронный ресурс] // Ассоц. развития возобновляемой энергетики: офиц. сайт. – 2023. – URL: https://rreda.ru/industry/competitive-selection/#big-gallery-9 (дата обращения: 21.08.2024).

Snegirev, D.A. The Selection of Machine Learning Model and Its Hyperparameters Using Bayesian Optimization for Short-Term Wind Power Forecasting [Electronic resource] / D.A. Snegirev, V.O. Samoylenko, A.V. Pazderin, P.I. Bartolomey // 2023 Belarusian-Ural-Siberian Smart Energy Conference (BUSSEC). – Yekateringburg, Russia, 2023. – P. 18 -- 23. – URL: https://ieeexplore.ieee.org/document/10296274 (date of access: 23.07.2024). – (DOI 10.1109/BUSSEC59406.2023.10296274).

Snegirev, D.A. Short-Term Wind Power Forecasting Based on Gaussian Process Regression [Electronic resource] / D.A. Snegirev, A.V. Pazderin, V.O. Samoylenko, A.S. Berdin // 2023 6th International Scientific and Technical Conference on Relay Protection and Automation (RPA). – Moscow, Russia, 2023. – P. 1 -- 13. – URL: https://ieeexplore.ieee.org/document/10319865 (date of access: 23.07.2024). – (DOI 10.1109/RPA59835.2023.10319865).

Сергеев, Н.Н. Обзор международного опыта в прогнозировании генерации возобновляемых источников энергии с помощью методов машинного обучения [Электронный ресурс] / Н.Н. Сергеев, П.В. Матренин // iPolytech Journal. – 2023. – Т. 27, № 2. – С. 354 -- 369. – URL: https://elibrary.ru/item.asp?id=54124532 (дата обращения: 05.07.2024). – (DOI 10.21285/1814-3520-2023-2-354-36).

Feurer, M. Hyperparameter optimization [Electronic resource] / M. Feurer, F. Hutter // Automated Machine Learning. – Springer, 2019. – P. 3 – 33 – URL: https://link.springer.com/chapter/10.1007/978-3-030-05318-5_1 (date of access: 18.02.2023). – (DOI 10.1007/978-3-030-05318-5_1).

Смирнова, В.С. Оптимизация гиперпараметров на основе объединения априорных и апостериорных знаний о задаче классификации [Электронный ресурс] / В.С. Смирнова, В.В. Шаламов, В.А. Ефимова, А.А. Фильченков // Научно-технический вестник информационных технологий, механики и оптики. – 2020. – Т. 20, № 6. – С. 828 -- 834. – (DOI 10.17586/2226-1494-2020-20-6-828-834).

Huang, H. Feature selection and hyper parameters optimization for short-term wind power forecast [Electronic resource] / H. Huang, R. Jia, X. Shi [et al.] // Applied Intelligence. – 2021. – Vol. 51. – P. 6752 -- 6770. – URL: https://link.springer.com/article/10.1007/s10489-021-02191-y (date of access: 21.03.2023). – (DOI 10.1007/s10489-021-02191-y).

Alkesaiberi, A. Efficient wind power prediction using machine learning methods: A comparative study [Electronic resource] / A. Alkesaiberi, F. Harrou, Y. Sun // Energies. – 2022. – Vol. 15, Iss. 7. – Art. 2327. – URL: https://www.mdpi.com/1996-1073/15/7/2327 (date of access: 21.03.2023). – (DOI 10.3390/en15072327).

Benjamins, С. PI is back! switching acquisition functions in bayesian optimization [Electronic resource] / C. Benjamins, E. Raponi, A. Jankovic [et al.] // arXiv. – 2022. – 2 Nov. – URL: https://hal.sorbonne-universite.fr/hal-03861120v1/file/PIisBack.pdf (date of access: 23.03.2023). – (DOI 10.48550/arXiv.2211.01455).

Liang, Q. Benchmarking the performance of Bayesian optimization across multiple experimental materials science domains [Electronic resource] / Q. Liang, A. E. Gongora, Z. Ren [et al.] // npj / Computational Materials. – 2021. – Vol. 7, Iss. 1. – P. 1 -- 10. – (DOI 10.1038/s41524-021-00656-9).

Frazier, P.I. A tutorial on Bayesian optimization [Electronic resource] / P.I. Frazier // arXiv. – 2018. – 8 Jul. – URL: https://arxiv.org/pdf/1807.02811 (date of access: 09.10.2022). – (DOI 10.48550/arXiv.1807.02811).

Statistics and Machine Learning Toolbox: Analyze and model data using statistics and machine learning [Electronic resource] // MathWorks : site. – 2024. – URL: https://www.mathworks.com/help/stats/index.html (date of access: 25.11.2024).

Piotrowski, P. Evaluation metrics for wind power forecasts: A comprehensive review and statistical analysis of errors [Electronic resource] / P. Piotrowski, I. Rutyna, D. Baczyński, M. Kopyt. // Energies. – 2022. – Vol. 15, Iss. 24. – Art. 9657. – URL: https://www.mdpi.com/1996-1073/15/24/9657 (date of access: 05.01.2023). – (DOI 10.3390/en15249657)/

Обухов, С.Г. Системы генерирования электрической энергии с использованием возобновляемых энергоресурсов: учеб. пособие / С.Г. Обухов. – Томск: Изд-во Томс. политехн. ун-та. – 2008. – 140 с.