Надіслати статтю
вул. Інститутська 11, м. Хмельницький, 29016

АДАПТИВНА МОДЕЛЬ ПРОГНОЗУВАННЯ ПАРАМЕТРІВ РЕЖИМУ РОЗПОДІЛЬНИХ МЕРЕЖ З РОЗПОДІЛЕНОЮ ГЕНЕРАЦІЄЮ ДЛЯ ОБҐРУНТУВАННЯ УМОВ ВИКОРИСТАННЯ ДИСТАНЦІЙНО КЕРОВАНИХ КОМУТАЦІЙНИХ АПАРАТІВ

AN ADAPTIVE MODEL FOR PREDICTING THE PARAMETERS OF A DISTRIBUTION NETWORK WITH DISTRIBUTED GENERATION FOR JUSTIFICATION OF THE CONDITIONS OF USE REMOTELY CONTROLLED SWITCHING DEVICES

Сторінки: 135-144. Номер: №1, 2021 (293)
Автори:
В. А. ПОПОВ, Д.В. ЯЦЕНКО, О.В. АДАНІКОВ
Національний технічний університет України “Київський політехнічний інститут імені Ігоря Сікорського”
В.О. ОНУФРЕЙ
Міністерство енергетики України
V. A. POPOV, D.V. YATSENKO, O.V. ADANIKOV
National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”
V.O. ONUFREI
Ministry of Energy of Ukraine
DOI: https://www.doi.org/10.31891/2307-5732-2021-293-1-135-144
Рецензія/Peer review : 12.02.2021 р.
Надрукована/Printed : 10.03.2021 р.

Анотація мовою оригіналу

Під час розвʼязання задачі керування режимами розподільних мереж побудованих за петлевою схемою, як основний захід мінімізації втрат електричної енергії розглядали визначення оптимального місця розмикання в залежності від сезону року, а саме для осінньо-зимового та весняно-літнього максимумів навантажень. Але швидке й масштабне впровадження джерел розподіленої генерації у електричні мережі 6–10 кВ призводить до частої  зміни потокорозподілу в мережі та, без сумніву, викликає необхідність розробки нових принципів керування їх режимами. Успішність даного заходу напряму залежить від належного рівня автоматизації мереж, тим паче, з урахуванням того, що більша частина обладнання розподільних мереж випрацювала свій фізичний ресурс.
Концепція активних розподільних мереж передбачає повне інформаційне забезпечення, автоматизацію процесів керування режимами та розробку раціональної стратегії використання призначених для цієї мети відповідних технічних засобів. Враховуючи, що  у найближчій час не існує можливості повністю оснастити розподільні мережі дистанційно керованими комутаційними апаратами, виникає питання їх оптимального розміщення й використання.  Для вирішення даної проблеми, враховуючи обмежений комутаційний ресурс комутаційних апаратів, в статті пропонується адаптивна модель прогнозування електричного навантаження вузлів мережі/вихідної потужності відновлюваних джерел енергії (ВДЕ). Результати прогнозування будуть використовуватись, як вихідні дані для визначення техніко-економічної доцільності реалізації відповідних керуючих впливів на режими розподільної мережі.
На підставі отриманих результатів досліджень можна зробити висновок, що розробленій адаптивній моделі кожен з залучених методів при вирішенні задачі короткострокового прогнозування електричного навантаження/вихідної потужності сонячних панелей показує різні рівні похибки в залежності від довжини часового інтервалу. Дана тенденція зберігається як у добовому, так і у тижневому розрізі.
Ключові слова: розподільна мережа, розподілена генерація, дистанційно керовані комутаційні апарати, режими електричних мереж, адаптивна модель прогнозування.

Розширена анотація англійською мовою

When solving the problem of controlling the modes of distribution networks built on a loop scheme, as the main measure to minimize electricity losses was considered to determine the optimal place of disconnection depending on the season, namely for autumn-winter and spring-summer maximum loads. But the rapid and large-scale introduction of distributed generation sources in 6-10 kV electrical networks leads to frequent changes in the flow distribution in the network and, no doubt, necessitates the development of new principles for controlling their modes. The success of this measure directly depends on the appropriate level of network automation, especially given that most of the equipment of distribution networks has exhausted its physical resource.
The concept of active distribution networks provides full information support, automation of control processes and the development of a rational strategy for the use of appropriate technical means for this purpose. Given that in the near future it is not possible to fully equip distribution networks with remotely controlled switching devices, there is a question of their optimal location and use. To solve this problem, given the limited switching resource of switching devices, the article proposes an adaptive model for predicting the electrical load of network nodes / output power of renewable energy sources (RES). The forecasting results will be used as initial data to determine the technical and economic feasibility of the implementation of appropriate control effects on the modes of the distribution network.
Based on the obtained research results, it can be concluded that the developed adaptive model of each of the methods involved in solving the problem of short-term prediction of electrical load / output power of solar panels shows different levels of error depending on the length of the time interval. This trend persists both daily and weekly.
Keywords: distribution network, distributed generation, remotely controlled switching devices, electric network modes, adaptive forecasting model.

References

  1. Tsyhanenko B.V., Pidvyshchennia pokaznykiv yakosti elektropostachannia v rozpodilnykh elektrychnykh merezhakh / B.V.Tsyhanenko, V.V. Kyryk // Materialy XVII mizhnarodnoinaukovo-praktychnoi konferentsii «Vidnovliuvania enerhetyka ta enerhoefektyvnist u KhKhI stolitti», 29-30 veresnia 2016 r., Kyiv, NTUU KPI – Kyiv, 2016. – S. 157-162.
  2. Bondarenko R. V. Pidvyshchennia nadiinosti funktsionuvannia rozpodilnykh elektrychnykh merezh / R. V. Bondarenko, O.Dovhaliuk, H. V. Omelianenko, O. Ye. Pirotti, T. V. Syromiatnikova // Visnyk Kharkivskoho natsionalnoho tekhnichnoho universytetu silskoho hospodarstva imeni Petra Vasylenka. – 2018. – Vyp. 195. – S. 69-71. – Rezhym dostupu : http://nbuv.gov.ua/UJRN/Vkhdtusg_2018_195_25
  3. Ilyushin P. V. Vliyanie tekhnicheskogo sostoyaniya oborudovaniya ob”ektov raspredelennoj generacii na nadezhnost’ funkcionirovaniya raspredelitel’nykh setej / P. V. Ilyushin // Ehlektrooborudovanie: ehkspluataciya i remont. – 2019. – № 9. – S. 30‒38.
  4. Popov V.A. Osoblyvosti vykorystannia komutatsiinykh aparativ z dystantsiinym keruvanniam v protsesi formuvannia aktyvnykh rozpodilnykh merezh / V.A. Popov., D. V. Yatsenko, O. V. Adanikov, O. V. Yatsenko // Enerhetyka: ekonomika, tekhnolohii, ekolohiia. – Kyiv. – 2020. – № 1. – S. 21-28.
  5. Zharkin A.F. Sistemy ehlektrosnabzheniya s istochnikami raspredelennoj generacii / F. Zharkin, S.P. Denisyuk, V.A. Popov. – Kiїv : Naukova Dumka, 2016. – 232 s.
  6. Chusyairi, The Use of Exponential Smoothing Method to Predict Missing Service E-Report / Chusyairi, R. N. S. Pelsri, and Bagio // 2017 2nd International conferences on Information Technology, Information Systems and Electrical Engineering (ICITISEE), Yogyakarta, 2017, pp. 39-44, doi: 10.1109/ICITISEE.2017.8285535.
  7. R. Christiaanse, Short-Term Load Forecasting Using General Exponential Smoothing // IEEE Transactions on Power Apparatus and Systems, vol. PAS-90, no. 2, pp. 900-911, March 1971, doi: 10.1109/TPAS.1971.293123.
  8. Abderrezak Very short-term electricity demand forecasting using adaptive exponential smoothing methods / L. Abderrezak, M.Mourad and D. Djalel // 2014 15th International Conference on Sciences and Techniques of Automatic Control and Computer Engineering (STA), Hammamet, 2014, pp. 553-557, doi: 10.1109/STA.2014.7086716.
  9. Al-Hafid. Short term electrical load forecasting using holt-winters method / Al-Hafid, Majed S. // . Al-Rafidain Engineering. – 2012. – 20. P. 15-22. 10.33899/rengj.2012.63377.
  10. Kanchana. PV Power Forecasting with Holt-Winters Method / W. Kanchana , S. Sirisukprasert // 2020 8th International Electrical Engineering Congress (iEECON), Chiang Mai, Thailand, 2020, pp. 1-4, doi: 10.1109/iEECON48109.2020.229517.
  11. Dev. Solar Irradiance Forecasting Using Triple Exponential Smoothing / S. Dev, T. AlSkaif, M. Hossari, R. Godina, A. Louwen and W. van Sark // 2018 International Conference on Smart Energy Systems and Technologies (SEST), Sevilla, 2018, pp. 1-6, doi: 10.1109/SEST.2018.8495816.
  12. Short-term solar power forecasting using Support Vector Regression and feed-forward / A. Fentis, NN L. Bahatti, M.Mestari and B. Chouri // 2017 15th IEEE International New Circuits and Systems Conference (NEWCAS), Strasbourg, 2017, pp. 405-408, doi: 10.1109/NEWCAS.2017.8010191.
  13. -C. Hong. Electric load forecasting by support vector model // Applied Mathematical Modelling, vol. 33, no. 5, P. 2444-2454, 2009.
  14. Qiang. Short-term power load forecasting based on support vector machine and particle swarm optimization / S. Qiang., Y. Pu // Journal of Algorithms & Computational Technology. – 2018. – Vol. 13. – P. 1-8,.
  15. Short-term solar power forecasting using Support Vector Regression and feed-forward NN / A. Fentis, L. Bahatti, M.Mestari and B. Chouri // 2017 15th IEEE International New Circuits and Systems Conference (NEWCAS), Strasbourg, 2017, pp. 405-408, doi: 10.1109/NEWCAS.2017.8010191.
  16. Liao. Research on Short-Term Load Forecasting Using XGBoost Based on Similar Days / X. Liao, N. Cao, M. Li and X. Kang // International Conference on Intelligent Transportation, Big Data & Smart City (ICITBS), Changsha, 2019, p. 675-678.
  17. Alberto Torres-Barrán. Regression tree ensembles for wind energy and solar radiation prediction / Alberto Torres-Barrán, Álvaro Alonso, José R. Dorronsoro // – 2019. – Vol. 326–327. – P.151-160. https://doi.org/10.1016/j.neucom.2017.05.104.
  18. Abbasi R.A. Short Term Load Forecasting Using XGBoost / Abbasi R.A., Javaid N., Ghuman M.N.J., Khan Z.A., Ur Rehman S., Amanullah // Web, Artificial Intelligence and Network Applications. WAINA 2019. Advances in Intelligent Systems and Computing. – Cham. – 2019. – Vol 927. https://doi.org/10.1007/978-3-030-15035-8_108.
  19. Long Short-term Memory / Hochreiter, Sepp & Schmidhuber // Neural computation. – Jürgen. – 1997. – P. 1735-80. 10.1162/neco.1997.9.8.1735.
  20. Shahzad Muzaffar. Short-Term Load Forecasts Using LSTM Networks / Shahzad Muzaffar, Afshin Afshari // Energy Procedia. – 2019. – Vol. 158, P. 2922-2927. https://doi.org/10.1016/j.egypro.2019.01.952.
  21. Abdel-Nasser Mohamed. Accurate photovoltaic power forecasting models using deep LSTM-RNN / Abdel-Nasser Mohamed ,Mahmoud Karar // Neural Computing and Applications. – 2019. – Vol. 31. – P. 2727-2740. 10.1007/s00521-017-3225-z.

 

Post Author: npetliaks

Translate