Search academic texts

Information × Registration Number 2123U011459, Article popup.category Опубліковано, Стаття Title COMPARISON OF SHORT-TERM FORECASTING METHODS OF ELECTRICITY CONSUMPTION IN MICROGRIDS popup.author Парфененко Ю. В.Шендрик В. В.Холявка Є. П.Павленко П. М.Parfenenko Yu. V.Shendryk V. V.Kholiavka Ye. P.Pavlenko P. M. popup.publication 24-02-2023 popup.source_user Журнал "Радіоелектроніка, інформатика, управління" (Національний університет "Запорізька політехніка") popup.source https://ric.zp.edu.ua/article/view/274449 popup.publisher National University "Zaporizhzhia Polytechnic" Description Актуальність. Сучасний етап розвитку електроенергетики характеризується інтенсивним процесом розвитку та управління мікромережею. Доцільність використання мікромережі визначається тим, що вона має низку переваг порівняно з класичними методами генерації, передачі та розподілу енергії. Забезпечити надійність електропостачання в мікромережі набагато легше, ніж у великих центролізованих енергосистемах. Споживачі енергії в мікромережі можуть впливати на процес балансування електроенергії, регулюючи свої навантаження, генеруючи, накопичуючи та відпускаючи електроенергію. Одним із головних завдань Microgrid є забезпечення споживачів електричною енергією в балансі між її генерацією та споживанням. Це досягається завдяки інтелектуальному управлінню роботою Microgrid, яке використовує дані прогнозування енергоспоживання. Це дозволяє підвищити ефективність управління енергетичною інфраструктурою, робить її більш стійкою. Мета. Метою даної роботи є розробка моделей короткострокового прогнозування споживання електроенергії для різних типів споживачів електроенергії у Microgrid, що дозволить підвищити ефективність управління енергетичною інфраструктурою та загалом зменшити споживання електроенергії. Метод. Для отримання прогнозних значень споживання електроенергії використовуються авторегресійна модель (AR) SARIMA та модель машинного навчання (ML) LSTM. Інформаційні критерії AIC і BIC використовуються для порівняння авторегресійних моделей. Точність моделей прогнозування оцінюється за допомогою помилок MAE, RMSE, MAPE. Результати. Проведено експерименти з прогнозування обсягів споживання електроенергії для різних типів споживачів. Прогнозування проводилося як з використанням моделей LSTM, так і моделей AR на сформованих наборах даних з інтервалами кожну годину протягом 6 годин, 1 день і 3 дні. Результати прогнозування з використанням моделі LSTM відповідали вимогам, забезпечуючи кращу якість прогнозування порівняно з авторегресійними моделями. Висновки. Проведене дослідження прогнозування споживання електроенергії дозволило знайти універсальні моделі прогнозування, які відповідають вимогам якості прогнозування. Проведено порівняльний аналіз розроблених моделей прогнозування часових рядів, у результаті якого виявлено переваги моделей ML перед моделями AR. Прогностична якість моделі LSTM показала точність MAPE прогнозування споживання електроенергії для приватного будинку – 0,1%, молокозаводу – 3,74%, АЗС – 3,67%. Отримані результати дозволять підвищити ефективність управління мікромережею, розподілу електроенергії між споживачами для зменшення загальних обсягів споживання енергії та запобігання виникнення пікових навантажень. popup.nrat_date 2026-02-09 Close