Разработка адаптивной системы управления электроэнергетическими системами с высокой долей возобновляемых источников энергии на базе методов машинного обучения с интеллектуальным отбором и восстановлением значимых исходных данных

1. Выполнен аналитический обзор существующих принципов проектирования, технических ограничений и основных барьеров при реализации управления электроэнергетическими системами (ЭЭС) с высокой долей возобновляемых источников энергии (ВИЭ), а также факторов, влияющих на точность прогнозирования генерации возобновляемых источников энергии. Основные результаты аналитического обзора: - Ключевой задачей для интеграции ВИЭ в ЭЭС является задача прогнозирования генерации электроэнергии на базе ВИЭ. В настоящее время подавляющее большинство исследований направлено на повышение точности моделей прогнозирования на основе методов машинного обучения, при этом недостаточное внимание уделяется надежности, робастности, интерпретируемости и защите целостности и доступности входных данных систем для прогнозирования в целом как программных или аппаратно-программных комплексов. - Повышение точности прогнозирования генерации на базе ВИЭ в настоящее время возможно скорее не за счет усложнения математических методов прогнозирования, а за счет развития алгоритмов предварительной обработки данных, а также цифровых технологий сбора, передачи и хранения данных метеорологических и гидрологических наблюдений и расширения сети метеорологических и гидрологических постов. - Барьером для развития ЭЭС с высокой долей ВИЭ является снижение надежности электроснабжения потребителей. Одной из наиболее перспективных мер является использование систем накопления энергии, но широкому применению накопителей препятствуют трудности как технического, так и экономического характера. - Интеграция ВИЭ в состав ЭЭС также оказывает значительное влияние на характеристики аварийных режимов. Корректное функционирование средств релейной защиты и автоматики, спроектированных и настроенных для существующей сети, зачастую невозможно при масштабных установках объектов генерации ВИЭ в сети из-за их резко переменчивого характера. Снижение чувствительности защиты и повышение риска ложного срабатывания и неселективного действия при интеграции ВИЭ могут привести к нарушению устойчивости работы системы, что усложняет процесс оперативно-диспетчерского управления. 2. Разработаны новая концепция и методика создания и функционирования адаптивной системы управления электроэнергетической системой с высокой долей возобновляемых источников энергии и накопителями энергии. Предложенная адаптивная система способна учитывать свойства эмерджентности электроэнергетических систем с высокой долей возобновляемых источников энергии, неполноту и неоднородность исходных данных, стохастичность внешних климатических условий; а также многовариантность режимов работы и топологий электроэнергетических систем. Основная идея, положенная в основу управления электроэнергетической системой с высокой долей возобновляемых источников энергии и накопителями энергии, заключается в использовании принципов безопасного машинного обучения (Safe Machine Learning). Разработана архитектура программного обеспечения адаптивной системы управления и проектирование ее базы данных, выполнено описание функционала основных модулей и требований к ним, а также обоснование выбора инструментальных средств реализации. Программное обеспечение реализуется с использованием только свободно распространяемого программного кода, что направлено на обеспечение технологического суверенитета Российской Федерации. 3. Разработана модернизированная технология интеллектуальной предварительной обработки метеорологических данных для повышения точности прогнозирования генерации возобновляемых источников энергии. Сформированы технические требования к составу и качеству метеорологических и других входных данных, алгоритмам их обработки, структуре и принципам формирования баз данных, структурной и математической модели данных; спроектирована база данных для обучения, валидации и тестирования моделей и созданы математическое описание и программная реализация алгоритмов предварительной обработки входных данных, включая отбор наиболее значимых признаков, обнаружение ошибок, аномалий и выбросов, восстановление пропущенных значений. Наиболее важным отличием является предложенная климатически-временная адаптация предиктивных моделей машинного обучения.