АВТОМАТИЗОВАНА СИСТЕМА ПРОГНОЗУВАННЯ ЕФЕКТИВНОСТІ ПРИВАТНОЇ СОНЯЧНОЇ ЕЛЕКТРОСТАНЦІЇ - Наукові конференції
Головна
UA RU EN

Вас вітає Інтернет конференція!

Вітаємо на нашому сайті

Рік заснування видання - 2011

АВТОМАТИЗОВАНА СИСТЕМА ПРОГНОЗУВАННЯ ЕФЕКТИВНОСТІ ПРИВАТНОЇ СОНЯЧНОЇ ЕЛЕКТРОСТАНЦІЇ

01.12.2024 13:09

[1. Інформаційні системи і технології]

Автор: Григоренко Олег Ігорович, магістр, Західноукраїнський національний університет, м. Тернопіль


В умовах глобального переходу до екологічно чистих джерел енергії, сонячна енергетика займає важливе місце як один із провідних напрямів розвитку відновлюваних енергоресурсів. Сонячні електростанції є надійним і сталим джерелом енергії, але вони мають низку особливостей, пов'язаних з нестабільністю виробництва енергії через залежність від погодних умов та сезонних змін. Це створює виклики у прогнозуванні виробничої потужності сонячних електростанцій, що впливає на планування та управління енергоспоживанням, стабільність електромережі та економічну доцільність використання сонячної енергії.

Зростання популярності приватних сонячних електростанцій також підвищує інтерес до прогнозування ефективності їх роботи, оскільки це дозволяє власникам оптимізувати споживання енергії, планувати продаж надлишків та знижувати витрати на електропостачання. Враховуючи важливість точного прогнозування, виникає необхідність розробки автоматизованих систем прогнозування ефективності сонячних електростанцій, здатних враховувати динамічні зміни погодних умов, технічний стан обладнання та інші фактори, які впливають на генерацію електроенергії.

Точне прогнозування ефективності роботи сонячних електростанцій має ключове значення для забезпечення стабільності енергосистеми, оптимізації експлуатаційних витрат та підвищення економічної ефективності використання сонячної енергії. Існуючі методи прогнозування охоплюють широкий спектр підходів, зокрема методи машинного навчання, часових рядів та фізичних моделей [1]. Однак, кожен з цих підходів має свої обмеження та особливості застосування, які залежать від горизонту прогнозування, доступних даних та необхідної точності.

Автоматизація процесу прогнозування дозволяє оперативно реагувати на зміни у виробництві енергії, забезпечує гнучкість і адаптивність системи, що є критичним у випадках нестабільного виробництва сонячної енергії. Автоматизована система, здатна ефективно обробляти великі обсяги даних у режимі реального часу, може стати цінним інструментом як для великих енергетичних компаній, так і для приватних власників сонячних електростанцій.

Розробка автоматизованої системи прогнозування ефективності сонячної електростанції на основі штучних нейронних мереж (ШНМ) забезпечить приватним власникам можливість більш ефективно використовувати сонячну енергію, оптимізувати свої витрати та максимізувати продуктивність електростанції. Система стане цінним інструментом для енергонезалежності та покращення сталості приватних домогосподарств.

Автоматизована система складається з наступних компонентів (рисунок 1):




Рисунок 1 – Архітектура автоматизованої системи прогнозування ефективності сонячної електростанції

1. Модуль збору даних:

• збирання даних з сенсорів сонячної електростанції (вимірювання сонячного випромінювання, напруги, температури панелей та інших параметрів);

• збирання даних про погодні умови з метеостанцій або відкритих погодних API (сонячне випромінювання, хмарність, температура повітря);

• зберігання даних у базі даних для подальшої обробки та аналізу.

2. Модуль попередньої обробки даних:

• очищення та фільтрація зібраних даних для усунення аномалій та недостовірних значень;

• нормалізація даних для підготовки їх до навчання та прогнозування ШНМ;

• підготовка даних у необхідному форматі для навчання моделі.

3. Модуль прогнозування на основі ШНМ:

• вибір структури ШНМ: визначення оптимальної архітектури нейронної мережі (кількість шарів, нейронів у прихованих шарах, тип активаційних функцій);

• навчання моделі: тренування ШНМ на історичних даних, що включають інформацію про погодні умови та вироблену потужність, що дозволить моделі знаходити залежності між умовами та ефективністю виробництва електроенергії;

• реалізація на апаратному забезпеченні (FPGA): використання інструменту ANGE [2] для створення апаратної реалізації ШНМ, що забезпечить високу швидкість обробки даних та можливість роботи в режимі реального часу;

• модуль ко-симуляції та тестування: тестування та налаштування моделі перед впровадженням на реальному обладнанні для забезпечення максимальної точності прогнозів.

Література

1. Zang H. et al. Hybrid method for short‐term photovoltaic power forecasting based on deep convolutional neural network. Iet Generation Transmission and Distribution. 2018. Vol. 12, no. 20. Pp. 4557–4567.

2. Baptista D., Morgado-Dias F. Automatic general-purpose neural hard- ware generator. Neural Comput. Appl. (2015, August) 1–12. doi: 10.1007/ s00521- 015- 2034- 5. 

Creative Commons Attribution Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License
допомога Знайшли помилку? Виділіть помилковий текст мишкою і натисніть Ctrl + Enter

Інші наукові праці даної секції

Конференції

Конференції 2024

Конференції 2023

Конференції 2022

Конференції 2021



Міжнародна інтернет-конференція з економіки, інформаційних систем і технологій, психології та педагогіки

Наукова спільнота - інтернет конференції

:: LEX-LINE :: Юридична лінія

Інформаційне суспільство: технологічні, економічні та технічні аспекти становлення