Ключові слова
небаланси електроенергії
авторегресія
нейронні мережі
Як цитувати
Анотація
В статті наведено результати дослідження моделей для короткострокового прогнозування сумарних небалансів електричної енергії в ОЕС України. Виконано аналіз результатів прогнозування, отриманих за допомогою різних типів авторегресійних моделей та двох моделей прогнозування на основі штучних нейронних мереж. Виконані дослідження на основі фактичних даних балансуючого ринку електричної енергії України показали ефективність використання штучних нейронних мереж для зазначеної задачі. Показано, що із застосуванням моделі штучної нейронної мережі LSTM (Long short-term memory) досягнуто найбільшої точності прогнозування досягнуто як для позитивних, так і негативних небалансів електричної енергії відповідно, у порівнянні із прогнозуванням за допомогою авторегресійних моделей.
Посилання
Kyrylenko O.V., Pavlovsky V.V., Blinov I.V. Scientific and technical support for organizing the work of the IPS of Ukraine in synchronous mode with the Continental European power system ENTSO-E. Tekhnichna Elektrodynamika. 2022. No 5. Рp. 59–66. (Ukr) DOI: https://doi.org/10.15407/techned2022.05.059
On the electricity market: Law of Ukraine No 2019-VIII of 13.04.2017.
Ivanov H.А., Blinov І.V., Parus Ye.V., Miroshnyk V.О. Component models for analyzing the impact of renewable energy sources on the market price of electricity in Ukraine. Tekhnichna Elektrodynamika. 2020. No 4. Pp. 72–75. DOI: https://doi.org/10.15407/techned2020.04.072
Blinov І.V., Miroshnyk V.О., Shymanuk P.V. Short-term interval forecast of total release of electricity by producers from renewable energy sources. Pratsi Instytutu elektrodynamiky NAN Ukrainy. 2019. No 54. Pp. 5–12. DOI: https://doi.org/10.15407/publishing2019.54.005
Blinov. І.V., Parus E.V., Miroshnyk V.О., Shymaniuk P.О., Sychova V.V. Model of evaluation the feasibility of industrial customers to hourly accounting of retail electricity market. Enerhetyka: ekonomika, tekhnolohii, ekolohiia. 2021. No 1. Pp. 88–97.
DOI: https://doi.org/10.20535/1813-5420.1.2021.242186
George E. P. Box, Gwilym M. Jenkins, Gregory C. Reinsel, Greta M. Ljung. Time Series Analysis. Forecasting and control. John Wiley and Sons Inc., 2015. 712 p.
Sepp Hochreiter, Jürgen Schmidhuber. Long Short-term Memory. Neural computation. Vol. 9. 1997. Pp. 1735–80. DOI: https://doi.org/10.1162/neco.1997.9.8.1735
Guokun Lai, Wei-Cheng Chang, Yiming Yang, Hanxiao Liu Modeling Long- and Short-Term Temporal Patterns with Deep Neural Networks. Machine Learning. 2017. Pp. 1–11. DOI: https://doi.org/10.48550/arxiv.1703.07015
Sychova V.V. Short-term forecasting of electricity imbalances. Results of modern scientific research and development. Proceedings of the 9th International scientific and practical conference. Barca Academy Publishing. Madrid, Spain. 2021. Pp. 165–171. (Ukr)
Blinov I., Miroshnyk V. and Sychova V. Comparison of models for short-term forecasting of electricity imbalances. 2022 IEEE 8th International Conference on Energy Smart Systems (ESS). IEEE, 2022. DOI: https://doi.org/10.1109/ESS57819.2022.9969288
Sychova V. Prediction of daily schedules of overall imbalances of electric energy in IPS of Ukraine. Tekhnichna Elektrodynamika. 2022. No 4. Pp. 59–63. DOI: https://doi.org/10.15407/techned2022.04.059
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Авторське право (c) 2023 В.B. Сичова