Як спрогнозувати обсяг генерації з ВДЕ-об’єкта з максимальною точністю?
“Врахувати якомога більше релевантних вхідних даних, які можуть впливати на виробіток електроенергії з відновлюваних джерел” — пояснює Максим Затхей, начальник відділу прогнозування обсягів електричної енергії у KNESS.
Для збору, підготовки і обробки даних команда з прогнозування у KNESS використовує PV.Forecast: власне програмне рішення на базі нейромереж, а також математичних і статистичних моделей. Ця система вибудовує прогноз на основі великого масиву інформації. Та ключовий фактор для її точності і головна перевага — це якісний відбір, аналіз і валідація цих даних. Адже саме на них нейромережа навчатиметься формувати прогноз.
З яких даних формується прогноз?
PV.Forecast працює у безперервному циклі аналізу такої інформації:
- технічні дані про об’єкт ВДЕ: встановлена потужність, тип і нахил панелей/турбін, орієнтація тощо
- дані про фактичний виробіток електроенергії об’єктом — у режимі реального часу та за попередні періоди
- прогнозовані метеодані з різних джерел: температура повітря, швидкість і напрям вітру у регіоні, де розташований ВДЕ-об’єкт тощо
- супутникові дані про хмарність та інсоляцію
- інші фактори, які можуть впливати на виробництво електроенергії: ймовірність відключень, потреби в обслуговуванні електростанції тощо
- загальні статистичні дані, отримані з вибірки об’єктів зі схожими характеристиками.
Ця інформація агрегується в системі з різних джерел, які мають свої сильні сторони. Одні краще працюють із короткостроковими змінами хмарності, інші — з температурними сценаріями чи динамікою вітру. PV.Forecast не просто збирає ці прогнози, а аналізує їхню якість, зіставляє між собою та використовує у такій комбінації, яка дає найкращий результат для конкретного ВДЕ-об’єкта.
На яких даних PV.Forecast “навчається”?
Під час перевірки та фільтрації даних PV.Forecast відбирає лише коректну, релевантну і повну інформацію, яка потенційно матиме вплив на “поведінку” об’єкта. Це визначається завдяки виявленню патернів в “історичних” даних про роботу об’єкта. Тобто якщо раніше конкретний параметр впливав на профіль генерації, система врахує цей зв’язок і в нових прогнозах.
А ось деякі вхідні дані можуть спотворити “навчання” моделі. Таку інформацію система відсікає або маркує окремо. Йдеться про:
- аварійні або позапланові відключення
- обмеження з боку мережі
- сервісні зупинки чи технічне обслуговування
- некоректні або неповні телеметричні дані
“Таким чином нейронна мережа з використанням алгоритмів Machine Learning “навчається” на ретельно відібраній інформації про об’єкт. І раз за разом прогноз виробітку електроенергії від PV.Forecast стає все більш точним для кожної окремої сонячної чи/та вітрової електростанції” — коментує Максим Затхей.
Як дані замінюють ретроспективну інформацію для нових об’єктів?
Для новозбудованих об’єктів генерації з ВДЕ, які не мають історичних або ж “ретроспективних” даних, підхід дещо відмінний. Відсутність історичних даних — типова ситуація для нових станцій, і PV.Forecast має чіткий підхід до її вирішення. Ретроспективна інформація замінюється статистичними вибірками:
- типовими профілями генерації, що створюються на основі даних з об’єктів зі схожими характеристиками (потужність, тип обладнання, регіон, орієнтація панелей тощо)
- кліматологічними та супутниковими даними за багаторічний період для даної локації
- фізичними моделями (розрахунок сонячної радіації, швидкості вітру), що не потребують ретроспективи.
“З PV.Forecast ми прогнозуємо генерацію для понад 300 енергооб’єктів загальною потужністю близько 2 ГВт. Тож така кількість і різнотипність енергооб’єктів по всій Україні дозволяє нам сформувати якісний типовий dataset” — зазначає експерт з прогнозування.
Вдосконалення системи для максимальної точності прогнозів
PV.Forecast by KNESS є однією із найбільш точних систем прогнозування генерації з СЕС не лише на українському, а й на закордонному ринках. Середньозважена річна похибка для нової станції становить близько 18-20% для прогнозування генерації СЕС на наступний день. А з уточненням прогнозованого графіка можна знизити похибку до 9-12%. І з кожним роком використання системи точність прогнозу зростає завдяки “донавчанню”.
“Ми систематично працюємо над удосконаленням PV.Forecast. Лише над розробкою нових нейронних мереж та механізмів для підвищення точності прогнозів у нас працює окрема команда програмістів та тестувальників. Саме так нам вдається з кожним роком зменшувати похибку у прогнозуванні для об’єктів ВДЕ” — підсумовує Максим Затхей.
Перевірте точність прогнозів системи PV.Forecast, скориставшись безкоштовним пробним періодом. Для цього — заповніть форму за посиланням: https://trading.kness.energy/forma/
