Прогнозирование выработки солнечных станций и фотоэлектрических установок: основные подходы и результативность

Рассмотрена  задача  прогноза  производительности  солнечных электростанций  (СЭС) и  фотоэлектрических установок  (ФЭУ). Сделан  обзор  современных  методов  прогноза  и  фактической  основы  для  его  проведения. Представлены принятые классификации методов, основу которых образует подход «прямые прогнозы – косвенные прогнозы». В первом случае прогнозируется производительность СЭС или ФЭУ, во втором случае первым этапом является прогноз прихода солнечной радиации с последующим пересчетом в выработку станций. Соответственно, в первом  случае большое  значение  имеют  ряды  данных о  производительности  станции  в  течение длительных периодов в прошлом и применяются в основном статистические методы и методы машинного обучения. Второй подход базируется на численном прогнозе погоды, который обеспечивает, в том числе, прогноз приходящей солнечной радиации. Значительное влияние на выбор методов прогноза оказывает требуемое пространственное  и  временное  разрешение. Последнее определяется  принятыми  в  стране или регионе  правилами рынка  электроэнергии. Проблема пространственного разрешения прогноза  является важной для протяженных по занимаемой площади СЭС, а также при прогнозе производительности сети солнечных станций. Приведены принятые в настоящее время метрики прогнозов, которые позволяют оценить погрешности, а также сравнить результативность различных методов прогнозирования. Показана перспективность разработки  вероятностных прогнозов как  альтернативы  детерминистским подходам, в частности, для более полного удовлетворения требований сетей. Рассмотрены принятые в некоторых странах требования к прогнозу производительности СЭС, штрафные санкции при высокой погрешности прогноза. Рассмотрены примеры финансовых потерь от неточности прогноза на примере СЭС в США и Китае. Обсуждаются требования оптового рынка  энергии  и мощности  РФ, который  устанавливает  предельно  допустимые  отклонения  от  заявленного производства энергии станциями (в том числе СЭС) и штрафы за эти отклонения. Приведены результаты сценарных оценок финансовых потерь генераторов на солнечной энергии в РФ от ошибочных прогнозов производительности.

1. Kleissl, J. Solar Energy Forecasting and Resource Assessment / J. Kleissl. – AcademicPress, 2013. – 462 p.

2. Antonanzas, J. Review of photovoltaic power forecasting / J. Antonanzas [et al.] // Solar Energy. – 2016.– Vol. 136. – P. 78–111.

3. Reindl, T. Energy meteorology for accurate forecasting of PV power output on different time horizons / T. Reindl [et al.] // Energy Procedia. – 2017. – Vol. 130. –P. 130–138.

4. Chinese GB/T 19964-2012, “Technical requirements for connecting photovoltaic power stations to power systems”.

5. Постановление Правительства РФ от 27 декабря 2010 г. № 1172 «Об утверждении Правил оптового рынка электрической энергии и мощности и о внесении изменений в некоторые акты Правительства Российской Федерации по вопросам организации функционирования оптового рынка электрической энергии и мощности» (с изменениями и дополнениями) [Электронный ресурс]. – Режим доступа: https://base.garant.ru/12184415/057c59951136e0a69495 234cc8729bd2/#block_10000. – (Дата обращения: 15.11.2019.).

6. Регламент определения объемов, инициатив и стоимости отклонений. Приложение 12 к Договору о присоединении к торговой системе оптового рынка. Ассоциация «Некоммерческое партнерство Совет рынка по организации эффективной системы оптовой и розничной торговли электрической энергией и мощностью» [Электронный ресурс]. – Режим доступа: https://lk.npsr.ru/sites/default/files/sr_regulation/reglaments/r12_010 12018_24012018.pdf. – 179 С. – (Дата обращения: 15.11.2019.).

7. Энгель, Е.А. Прогнозирование выработки электрической энергии солнечной электростанции на основе рекуррентной нейросети / Е.А. Энгель // Материалы Девятой международной конференции «Управление развитием крупномасштабных систем (MLSD'2016)». – 2016. – С. 436–439.

8. Воротынцев, Д.В. Прогноз выработки электроэнергии фотоэлектрическими электростанциями (на сутки вперед) с использованием машинного обучения / Д.В. Воротынцев, М.Г. Тягунов // Вестник МЭИ. – 2018. – № 4. – С. 53–57.

9. Ануфриев, О.В. Прогноз почасовой выработки ФЭС на сутки вперед с использованием машинного обучения / О.В. Ануфриев [и др.] // Фёдоровские чтения – 2017. XLVII Международная научно-практическая конференция с элементами научной школы. – М.: Издательский дом МЭИ, 2017. – С. 305–311.

10. Снегирев, Д.А. Возможности алгоритмической реализации краткосрочного прогнозирования выработки солнечных электростанций / Д.А. Снегирев [и др.] // Всероссийская научная конференция по проблемам управления в технических системах. – С.Пб.: СПбГЭТУ «ЛЭТИ», 2017. – № 1. – С. 236–239.

11. Снегирев, Д.А., Особенности прогнозирования выработки электроэнергии солнечными электростанциями / Д.А. Снегирев [и др.] // Электроэнергетика глазами молодежи – 2017. Материалы VIII Международной научно-технической конференции. – Самара: СГТУ, 2017. – С. 139–142.

12. Ерошенко, С.А. Прогнозирование выработки СЭС: проблемы реализации [Электронный ресурс] / С.А. Ерошенко [и др.]. – Режим доступа: http://cigre.ru/activity/conference/seminar_c6/materials/ Prezent_Solar.Forecast_Eroshenko_30.11.17.pdf. – (Дата обращения: 12.05.19.).

13. Абруков, В.С. Интеллектуальная система прогнозирования работы солнечных электростанций / В.С. Абруков [и др.] // Международный научный журнал «Альтернативная энергетика и экология» (ISJAEE). – 2017. – № 16–18. – С. 30–42.

14. Мельникова, А.А. Методика оценки условий внедрения объектов солнечной энергетики / А.А. Мельникова, Ю.Ю. Рафикова // Международный научный журнал «Альтернативная энергетика и экология» (ISJAEE). – 2016. – № 15–18. – С. 12–23.

15. Габдерахманова, Т.С. Использование солнечных фотоэнергетических установок: результаты мониторинга и прогноза производительности / Т.С. Габдерахманова [и др.] // Международный научный журнал «Альтернативная энергетика и экология» (ISJAEE). – 2015. – № 19. – С. 48–54.

16. Киселева, С.В. Оценка эффективности фотоэлектрических станций в климатических условиях Кыргызстана / С.В. Киселева [и др.]// Международный научный журнал «Альтернативная энергетика и экология» (ISJAEE). – 2015. – № 1. – С. 14–25.

17. Авджян, Н.С. Потенциал Краснодарского края в области возобновляемой энергетики / Н.С. Авджян [и др.] // Международный научный журнал «Альтернативная энергетика и экология» (ISJAEE). –2017. – № 13–15. – С. 24–36.

18. Коломиец, Ю.Г. Актинометрические данные для проектирования солнечных энергоустановок в Московском регионе / Ю.Г. Коломиец [и др.] // Международный научный журнал «Альтернативная энергетика и экология» (ISJAEE). – 2016. – № 21–22. – С. 12–24.

19. Группа компаний «Хевел» [Электронный ресурс]. – Режим доступа: // https://www.hevelsolar.com/. – (Дата обращения: 08.08.19.).

20. Группа компаний «Солар Системс». [Электронный ресурс]. – Режим доступа:// http://solarsystems.msk.ru/. (Дата обращения 08.08.19).

21. Inman, R.H. Solar forecasting methods for renewable energy integration / R.H. Inman., H.T.C. Pedro, C.F.M. Coimbra // Prog. Energy Combust. – 2013. – No. 39. – P. 535–576.

22. IEA-Photovoltaic and solar forecasting: state-ofthe-art. Report IEA-PVPS T14-01:2013.

23. Ren, Y. Ensemble methods for wind and solar power forecasting – a state-of-the-art review / Y. Ren, P. Suganthan, N. Srikanth // Renew. Sustain. Energy Rev. – 2015 – Vol. 50. – P. 82–91.

24. Wan, C. Photovoltaic and solar power forecasting for smart grid energy management / C. Wan [et al.] // CSEE J. Power Energy Syst. – 2015. – Vol. 1. – No. 4. – P. 38–46.

25. Diagnea, M. Review of solar irradiance forecasting methods and a proposition for small-scale insular grids / M. Diagnea [et al.] // Renew. Sustain. Energy Rev. – 2013. – Vol.27. – P.65–76.

26. Chaturvedi, D.K. Solar Power Forecasting: A Review / D.K. Chaturvedi, I. Isha // International Journal of Computer Applications. – 2016. – Vol. 145. – No. 6. – P. 28–50.

27. Yang, D. History and trends in solar irradiance and PV power forecasting: A preliminary assessment and review using text mining / D. Yang [et al.] // Solar Energy. – 2018. – No. 168. – P. 60–101.

28. Weather Research and Forecasting. [Электронный ресурс]. – Режим доступа: http://www.wrfmodel.org/ – (Дата обращения: 18.10.19).

29. European Centre for Medium-Range Weather Forecasts [Электронный ресурс]. – Режим доступа: http://www.ecmwf.int/ – (Дата обращения: 18.10.19).

30. NCAR (Национальный центр исследований атмосферы США) [Электронный ресурс]. – Режим доступа: https://ral.ucar.edu/pressroom/features/wrfsolar/ – (Дата обращения: 18.10.19).

31. Coimbra, C. Stochastic-learning methods / C. Coimbra, H. Pedro //In: Kleissl, J. (Ed.), Solar Energy Forecasting and Resource Assessment, first ed. Academic Press, Waltham. – 2013. – P. 383–406.

32. Urraca, R. Smart baseline models for solar irradiation forecasting / R. Urraca [et al.] // Energy Convers. Manag. – 2016. – No. 108. – P. 539–548.

33. Dolara, A. Comparison of different physical models for PV power output prediction / A. Dolara, S. Leva, G. Manzolini // Solar Energy. – 2015. – No. 119. – P. 83–99.

34. Ayompe, L.M. Validated real-time energy models for small-scale grid-connected PV-systems / L.M. Ayompe [et al.] // Energy. – 2010. – Vol. 35. – No. 10. – P. 4086–4091.

35. PVCROPS, October 2015. Estimation of the PV power that can be integrated incurrent EU networks. Deliverable D5.5.

36. Almeida, M.P. PV power forecast using an on parametric PV model / M.P. Almeida, O. Perpiñán, L. Narvarte // Solar Energy. – 2015. – No. 115. – P. 354–368.

37. Pedro, H.T.C. Assessment of forecasting techniques for solar power production with no exogenous inputs / H.T.C. Pedro, C.F.M. Coimbra // Solar Energy. –2012. – No. 86. – P. 2017–2028.

38. Ogliari, E. Hybrid predictive models for accurate forecasting in PV systems / E. Ogliari [et al.] // Energies. – 2013. – No. 6. – P. 1918–1929.

39. Simonov M. Artificial intelligence forecast of PV plant production for integration in smart energy systems / M. Simonov [et al.] // Int. Rev. Electr. Eng. – 2014. – Vol. 7. – No. 1. – P. 3454–3460.

40. Fonseca, J.G. Use of support vector regression and numerically predicted cloudiness toforecast power output of a photovoltaic power plant in Kitakyushu, Japan / J.G. Fonseca. [et al.] // Progress in Photovoltaics: Research and Applications. – 2012. – Vol. 20. – No. 7. – P. 874–882.

41. Vaz, A. An artificial neural network toassess the impact of neighbouring photovoltaic systems in power forecasting in Utrecht, the Netherlands / A. Vaz [et al.] // Renew. Energy. – 2016. – No. 85. – P. 631–641.

42. Hossain, M.R. Hybrid prediction method for solar power using different computational intelligence algorithms / M.R. Hossain, A.M.T. Oo, A.B. Ali // Smart Grid Renew. Energy. – 2013. – No. 4. – P. 76–87.

43. Almonacid, F. A methodology based on dynamic artificial neural network for short-term forecasting of the power output of a PV generator / F. Almonacid [et al.] // Energy Convers. Manag. – 2014. – No. 85. – P. 389–398.

44. Bracale, A. A Bayesian method for short-term probabilistic forecasting of photovoltaic generation in smart grid operation and Control / A. Bracale [et al.] // Energies. – 2013. – No. 6. – P. 733–747.

45. Mora-Lopez, L. Machine learning approach for next day energy production forecasting in grid connected photovoltaic plants / L. Mora-Lopez [et al.]. – In: World Renewable Energy Congress, Linköping, Sweden 8–13 May 2011.

46. Gandelli, A. Hybrid model analysis and validation for PV energy production forecasting / A. Gandelli [et al.]. In: International Joint Conference on Neural Networks (IJCNN), July 6–11, Beijing, China, 2014.

47. Dolara, A. Comparison of different physical models for PV power output prediction. / A. Dolara, S. Leva, G. Manzolini // Solar Energy. – 2015. – No. 119. – P. 83–99.

48. Lipperheide, M. Embedded nowcasting method using cloud speed persistence for a photovoltaic power plant. / M. Lipperheide, J. Bosch, J. Kleissl // Solar Energy. – 2015. – No. 112. – P. 232–238.

49. Hong, T. Probabilistic energy forecasting: Global Energy Forecasting Competition 2014 and beyond / T. Hong [et al.] // Int. J. Forecast. – 2016. – Vol. 32. – No. 3. –P. 896–913.

50. Alessandrini S. An analog ensemble for shortterm probabilistic solar power forecast / S. Alessandrini [et al.] // Appl. Energy. – 2015. – No. 157. – P. 95–110.

51. Huang, J. A semi-empirical approach using gradient boosting and k nearest neighbors regression for GEFCom2014 probabilistic solar power forecasting / J. Huang, M. Perry // Int. J. Forecast. – 2016. – Vol. 32. – No. 3. – P. 1081–1086.

52. Golestaneh, F. Very short-term nonparametric probabilistic forecasting of renewable energy generationwith application to solar energy / F. Golestaneh, P. Pinson, H.B. Gooi // IEEE Trans. Power Syst. – 2016. – Vol. 31. – No. 5. – P. 3850–3863.

53. Van der Meer, D.W. Review on probabilistic forecasting of photovoltaic power production and electricity consumption / D.W. Van der Meer, J. Widén, J. Munkhammar // Renew. Sustain. Energy Rev. – 2018. – No. 81. – P. 1484–1512.

54. Rana, M. 2D-interval forecasts for solar power production / M. Rana, I. Koprinska, V. Agelidis // Solar Energy. – 2015. – No. 122. – P. 191–203.

55. Sobri, S. Solar photovoltaic generation forecasting methods: A review / S. Sobri, S. Koohi-Kamali, N.A. Rahim // Energy Convers. Manag. – 2018. – No. 156. – 459–497.

56. Ssekulima, E.B. Wind speed and solar irradiance forecasting techniques for enhanced renewable energy integration with the grid: a review / E. B. Ssekulima [et al.] // IET Renew. Power Gener. – 2016. – Vol. 10. – No. 7. – P. 885–898.

57. Nobre, A. PV power conversion and short-term forecasting in a tropical, densely-built environment in Singapore / A. Nobre [et al.] // Renewable Energy. – 2016. – No. 94. – P. 496–509.

58. Hyndman, R.J., Koehler A.B., Ord J.K., Snyder R.D. Forecasting with Exponential Smoothing / R.J. Hyndman [et al.] – Springer, Deblik, Berlin, Germany, 2008.

59. Espinar, B. Analysis of different comparison parameters applied to solar radiation data from satellite and German radiometric stations / B. Espinar [et al.] // Solar Energy. – 2009. – Vol. 83. – No. 1. – P. 118–125.

60. Chu, Y. Sun-tracking imaging system for intrahour DNI forecasts / Y. Chu, M. Li, C.F.M. Coimbra // Renew. Energy. – 2016. – Vol. 96 (A). – P. 792–799.

61. Matheson, J.E. Scoring rules for continuous probability distributions / J.E. Matheson, R.L. Winkler// Manage. Sci. – 1976. – No. 22. – P. 1087–1096.

62. Mellit, A. Short-term forecasting of power production in a large-scale photovoltaic plant / A. Mellit, A. Massi Pavan, V. Lughi // Solar Energy. – 2014. – No. 105. – P. 401–413.

63. Lonij, V. Intra-hour forecasts of solar power production using measurements from a network of irradiance sensors / V. Lonij [et al.] // Solar Energy. – 2013. – No. 97. –P. 58–66.

64. Kaur, A. Benefits of solar forecasting for energy imbalance markets / A. Kaur [et al.] // Renew. Energy. – 2016. – No. 86. – P. 819–830.

65. Russo, M. Genetic programming for photovoltaic plant output forecasting / M. Russo [et al.] // Solar Energy. – 2014. – No. 105. – P. 264–273.

66. Mills, A. Implications of Wide-Area Geographic Diversity for Short-Term Variability of Solar Power / A. Mills, R. Wiser. – LBNL-3884E. Lawrence Berkeley National Laboratory, Environmental Energy Technologies Division, Berkeley, CA, 2010.

67. Perez, R. Spatial and temporal characteristics of solar radiation variability / R. Perez, T. Hoff, S. Kivalow. – In: Proc. of International Solar Energy (ISES) World Congress, Kassel, Germany, 2011.

68. Lorenz, E. Qualified forecast of ensemble power production by spatially dispersed grid connected PV systems / E. Lorenz, J. Hurka, G. Karampela, D. Heinemann, H.G. Beyer, M. Schneider M. – In: 23rdEuropean Photovoltaic Solar Energy Conference, Valencia, Spain, 1–5 September, 2008.

69. Lorenz, E. PV power predictions on different spatial and temporal scales integrating PV measurements, satellite data and numerical weather predictions/ E. Lorenz, J. Kuhnert, B. Wolff, A. Hammer, O. Kramer, D. Heinemann. In: 29thEUPVSEC, 22.-26. September 2014, Amsterdam, Netherlands, 2014.

70. Zhang, J. A suite of metrics for assessing the performance of solar powerforecasting / J. Zhang [et al.] // Solar Energy. – 2015. – No. 111. – P. 157–175.

71. Mathiesen, P. Case studies of solar forecasting with the weather research and forecasting model at GLGarrad Hassan / P. Mathiesen, J. Kleissl, C. Collier. – In: Kleissl, J. (Ed.), Solar Energy Forecasting and Resource Assessment, first ed. AcademicPress, Waltham, 2013. – P. 357–381.

72. Zhang, J. Baseline and target values for regional and point PV power forecasts: toward improved solar forecasting / J. Zhang [et al.] // Solar Energy. – 2015. – No. 122. – P. 804–819.

73. Mills, A. Integrating solar PV in utility system operations / A. Mills, A. Botterud, J. Wu, Z. Zhou, B.M. Hodge, M. Heaney. ANL/DIS-13/18. Argonne National Laboratory, 2013.

74. Cormode, D. The economic value of forecasts for optimal curtailment strategies to comply with ramp rate rules / D. Cormode, A. Lorenzo, W. Holmgren, S. Chen, A. Cronin. – In: IEEE 40th Photovoltaic Specialist Conference (PVSC). 8–13 June, Denver, Co. 2014.

75. Постановление Правительства РФ от 28.05.2013 N 449 (ред. от 27.09.2018) «О механизме стимулирования использования возобновляемых источников энергии на оптовом рынке электрической энергии и мощности» [Электронный ресурс]. – Режим доступа: http://www.consultant.ru/document/cons_doc_LAW_14 6916/ – (Дата обращения: 04.06.19).

76. Report from the Commission to the European Parliament, the Council, the European Economic and Social Committee and the Committee of the Regions. Renewable energy progress report Brussels, 15.6.2015. [Электронный ресурс]. – Режим доступа: http://www.enmc.pt/static-img/2015-08/2015-0812143230_f7664ca7-3a1a-4b25-9f462056eef44c33$$72f445d4-8e31-416a-bd01d7b980134d0f$$75529271-1fdf-4cd3-9a34672e4ed1e2a4$$File$$pt$$1.pdf/ – (Дата обращения: 04.06.19).