ИНТЕЛЛЕКТУАЛЬНАЯ СИСТЕМА ПРОГНОЗИРОВАНИЯ РАБОТЫ СОЛНЕЧНЫХ ЭЛЕКТРОСТАНЦИЙ

Представлены методы и технологии создания вычислительных систем прогнозирования работы солнечных электростанций (СЭ) в зависимости от параметров метеоусловий. Для создания систем прогнозирования использовались искусственные нейронные сети, включенные в аналитическую платформу “Deductor”, которая обладает широким спектром методов предобработки, предварительного анализа и моделирования данных. В основе этих систем лежат результаты уникального непрерывного четырехлетнего многопараметрического мониторинга характеристик работы СЭ и параметров метеоусловий. Системой мониторинга регистрировались следующие величины: напряжение, ток в цепи нагрузки и мощность, солнечная радиация, внешняя температура, влажность, точка росы, скорость ветра, направление ветра, индекс охлаждения ветром, индекс нагрева, индекс «температура + влажность + ветер», индекс «температура + влажность + ветер + солнце», атмосферное давление, ультрафиолетовый индекс, индекс испарения. Дополнительно определялись две характеристики работы СЭ: плотность мощности и значение коэффициента преобразования солнечной энергии в электрическую. Описаны два варианта созданных многофакторных вычислительных моделей прогнозирования плотности мощности и коэффициента преобразования в зависимости от параметров метеоусловий. Первый вариант использует полный набор регистрируемых параметров метеоусловий, второй вариант – ограниченный набор параметров метеоусловий по данным прогноза Гидрометцентра РФ. Приведены примеры применения обоих вариантов систем прогнозирования. Полученные системы могут быть полезными не только для непосредственного прогнозирования работы СЭ, но и для районирования территории РФ с точки зрения перспектив развития солнечной энергетики и технико-экономического обоснования строительства СЭ. Важность такого подхода к прогнозированию заключается в том, что речь идет не об общепринятом районировании территории РФ по уровню солнечной радиации, а по плотности мощности и коэффициента преобразования солнечной энергии в электрическую. Кроме того, предложенный подход может быть применен для прогнозирования работы ветровых электростанций; термодинамических установок, использующих энергию солнца, и других устройств альтернативной энергетики.

1. Yadav, Amit Kumar. Solar radiation prediction using Artificial Neural Network techniques: A review / Amit Kumar Yadav, S.S. Chandel // Renewable and Sustainable Energy Reviews. – 2014. – Vol. 33. – P. 772–781.

2. Qazi, Atika. The artificial neural network for solar radiation prediction and designing solar systems: a systematic literature review / Atika Qazi [et al.] // Journal of Cleaner Production. – 2015. – Vol. 104. – P. 1–12.

3. AI-Alawi, S.M. An ANN. based approach for predicting global radiation in locations with no direct measurement instrumentation [Text] / S.M.AI-Alawi, H.A AI-Hinai // Renewable Energy. – 1998. – Vol. 14. – No. 1–4. – P. 199–204.

4. Sözen, A. Use of artificial neural networks for mapping of solar potential in Turkey / A. Sözen [et al.] //Applied Energy. – 2004. – Vol. 77. – P. 273–86.

5. Sözen, A. Estimation of solar potential in Turkey by artificial neural networks using meteorological and geographical data [Text] / A. Sözen, E. Arcaklioğlu, M. Özalp // Energy Conversion and Management. – 2004. – Vol. 45. – P. 3033–52.

6. Rehman, S. Estimation of diffuse fraction of global solar radiation using artificial neural networks [Text] / S. Rehman, M. Mohandes // Energy Sources, Part A. – 2009.– No. 31. – P. 974–84.

7. Lazzús, J.A. Estimation of global solar radiation over the City of LaSerena (Chile) using aneural network [Text] / J.A Lazzús, A.P. Ponce, J. Marín // Applied Solar Energy. – 2011. – Vol. 47. – No 1. – P. 66–73.

8. Azeez, M.A. Artificial neural network estimation of global solar radiation using meteorological parameters in Gusau,Nigeria [Text] / M.A. Azeez //Archives of Applied Science Research. – 2011. – Vol. 3. – No 2. – P. 586–95.

9. Linares-Rodríguez, A. Generation of synthetic daily global solar radiation data based on ERA- interim reanalysis and artificial neural networks [Text] / A. Linares-Rodríguez Ruiz, J.A. Arias, D. Pozo-Vázquez, J. Tovar Pescador // Energy. – 2011. – Vol. 36. – P. 5356–65.

10. Şenkal, O. Estimation of solar radiation over Turkey using artificial neural network and satellite data [Text] / O. Şenkal, T. Kuleli // Applied Energy. – 2009. – Vol. 86. – P. 1222–1228.

11. Hasni, A. Estimating global solar radiation using artificial neural network and climate data in the southwestern region of Algeria [Text] / A. Hasni [et al.] // Energy Procedia. – 2012. – Vol. 18. – P. 531–537.

12. Yadav, A.K. Artificial neural network based prediction of solar radiation for Indian stations [Text] / A.K. Yadav, S.S. Chandel // International Journal of Computer Applications. – 2012. – Vol. 50. – P. 1–4.

13. Elminir, H. K. Estimation of solar radiation components incident on Helwansite using neural networks [Text] / H. K. Elminir, F.F. Areed., T.S. Elsayed // Solar Energy. – 2005. – Vol. 79. – P. 270–279.

14. Azadeh, A. An integrated artificial neural networks approach for predicting global radiation [Text] / A. Azadeh, A. Maghsoudi, S. Sohrabkhani // Energy Conversion and Management. – 2009. – Vol. 50. – P. 1497–1505.

15. Sözen, A. Solar potential in Turkey [Text] / A. Sözen, E. Arcaklioğlu // Applied Energy. – 2005. – Vol. 80. – P. 35–45.

16. Rumbayan, M. Mapping of solar energy potential in Indonesia using artificial neural network and geographical information system [Text] / M. Rumbayan, A. Abudureyimu, K. Nagasaka // Renewable and Sustainable Energy Reviews. – 2012. – Vol. 16. – P. 1437–1449.

17. Şenkal, O. The estimation of solar radiation for different time periods [Text] / O.Şenkal, M. Şahin, V.Peštemalci // Energy Sources, Part A. – 2010. – Vol. 32. – P. 1176–1184.

18. Muammer, O. Estimation of global solar radiation using ANN over Turkey [Text] / Muammer Ozgoren, Mehmet Bilgili, Besir Sahin // Expert Syst. Appl. – 2012. – Vol. 39. – No 5. – P. 5043–5051.

19. Yingni, Jiang. Prediction of monthly mean daily diffuse solar radiation using artificial neural networks and comparison with other empirical models [Text] / Yingni Jiang // Energy Policy. – 2008. – Vol. 36. – No10. – P. 3833–3837.

20. Shah, A. Assessment of diffuse solar energy under general sky condition using artificial neural network [Text] / Alam Shah, S.C. Kaushik, S.N. Garg // Appl. Energy. – 2009. – Vol. 86. – No 4. – P. 554–564.

21. Koca, A. Estimation of solar radiation using artificial neural networks with different input parameters for Mediterranean region of Anatolia in Turkey [Text] / Ahmet Koca [et al.] // Expert Syst. Appl. – 2011. – Vol. 38. – No. 7. – P. 8756–8762.

22. Chen, S.X. Solar radiation forecast based on fuzzy logic and neural networks [Text] / S.X. Chen, H.B. Gooi, M.Q. Wang // Renew. Energy. – 2013. – Vol. 60. – P. 195–201.

23. Adel Mellit. A 24-h forecast of solar irradiance using artificial neural network: Application for performance prediction of a grid-connected PV plant at Trieste, Italy [Text] / Mellit Adel // Solar Energy. – 2010. – Vol. 84. – No 5. – P. 807–821

24. Wai Kean Yap. An off-grid hybrid PV/diesel model as a planning and design tool, incorporating dynamic and ANN modelling techniques [Text] / Wai Kean Yap, Vishy Karri // Renewable Energy. – 2015. – Vol. 78. – P. 42–50.

25. Мустафаев, А.Г. Нейросетевая модель прогнозирования уровня солнечной энергии для задач альтернативной энергетики [Текст] / А.Г. Мустафаев // Программные системы и вычислительные методы. – 2016. – № 2. – С. 150–157.

26. Абруков, В.С. Создание баз знаний солнечных электростанций [Текст] / В.С. Абруков [и др.] // Международный научный журнал «Альтернативная энергетика и экология» (ISJAEE). – 2015. – Т. 19. – № 183.– С. 29–41.

27. Abrukov, V. Knowledge-Based System is a Goal and a Tool for Basic and Applied Research [Text] / V. Abrukov [et al.] // Conference Proceedings of 9th International Conference on Application of Information and Communication Technologies – AICT Rostov-on-Don , The Institute of Electrical and Electronics Engineers, Inc. – 2015. – P. 60–63.

28. Abrukov, V.S. Сreation of propellant combustion models by means of data mining tools / V.S. Abrukov [et al.] // International Journal of Energetic Materials and Chemical Propulsion. – 2010. – № 5. – С. 385 396.

29. Абруков, В.С. База знаний процессов горения: будущее мира горения [Текст] / В.С. Абруков [и др.] // Вестник Чувашского университета. – 2013. – № 3. – С. 46–52.

30. Абруков, В.С. Data Mining в научных исследованиях / В.С. Абруков // Сборник материалов I Всероссийской научной конференции «Наноструктурированные материалы и преобразовательные устройства для солнечных элементов 3-го поколения» (Чебоксары). – 2013. – С. 11–17.

31. Абруков, В.С. База знаний: эксперимент, интеллектуальный анализ данных, искусственные нейронные сети / В.С. Абруков [и др.] // Сборник трудов 2 Всероссийской научной конференции «Наноструктурированные материалы и преобразовательные устройства для солнечной энергетики 3-го поколения» (Чебоксары). – 2014. – С. 15–21.

32. Абруков, В.С. Методы интеллектуального анализа данных при создании баз знаний [Текст] / В.С. Абруков, [и др.] // Вестник Чувашского университета. – 2015. – № 1. – С. 140–146.

33. Tokmoldin, N. Evaluation of the annual electric energy output of an a-Si:H solar cell in various regions of the CIS countries [Text] / N. Tokmoldin [et al.] // Energy Policy. – 2014. – Vol. 68. – P. 116 122.

34. Бобыль, А.В. Технико-экономические аспекты сетевой солнечной энергетики в России [Текст] / А.В.Бобыль [и др.] // Журнал технической физики. – 2014. – № 4. – С. 85–93.