Нейросетевое прогнозирование полной приведенной стоимости электроэнергии для солнечных фотоэлектрических систем

  • Наталья [Natalya] Сергеевна [S.] Филиппченкова [Filippchenkova]
Ключевые слова: солнечная фотоэлектрическая система, полная приведенная стоимость энергии, искусственная нейронная сеть, нелинейная авторегрессионная модель, авторегрессионная модель нейронной сети с экзогенными входами, алгоритм обучения

Аннотация

В настоящее время особую актуальность представляет формирование нового подхода к разработке прогностических моделей экономических показателей солнечных фотоэлектрических систем на основе алгоритмов искусственных нейронных сетей. Связи между экономическими показателями зачастую носят сложно идентифицируемый характер. Нелинейные авторегрессионные модели дают более достоверные результаты, чем прогностические линейные модели, основанные на векторной авторегрессии.

Представлены результаты разработки математической модели для прогнозирования приведенной стоимости энергии (LCOE) для солнечных фотоэлектрических систем на основе нелинейной авторегрессионной нейронной сети с экзогеном (NARX). Разработана двухслойная сеть NARX со скрытыми сигмоидными и линейными выходными нейронами. Входной слой состоит из следующих переменных: объема потребляемой мощности солнечных фотоэлектрических систем в мире, общего мирового потребления энергии, внутреннего потребления энергии, газа, угля и лигнита, долей возобновляемых источников и энергии ветра и солнца в производстве электроэнергии, выбросов углекислого газа от сжигания топлива, цены на нефть марки Brent по отношению к доллару США, средней цены природного газа. Выходной слой определяет значения LCOE для солнечных фотоэлектрических систем.

Обучение разработанной сети NARX проходило на основе ретроспективных данных за 2005 — 2010 гг с использованием алгоритма Левенберга–Марквардта. Достигнутое в процессе обучения значение коэффициента корреляции составило 0,99904, а значение среднеквадратичной ошибки располагалось в диапазоне от 0,00042 до 0,0029.

Сведения об авторе

Наталья [Natalya] Сергеевна [S.] Филиппченкова [Filippchenkova]

кандидат технических наук, ведущий инженер по проектированию, АО «Объединенная энергетическая компания», e-mail: natalja.filippchenkowa@yandex.ru

Литература

1. Chang G.W., Lu H.J., Chang Y.R., Lee Y.D. An Improved Neural Network-Based Approach for Short-term wind Speed and Power Forecast // J. Renewable Energy. 2017. V. 105. Pp. 301—311.
2. Ruiz L., Cu′ellar M., Calvo-Flores M., Jim′enez M. An Application of Non-linear Autoregressive Neural Networks to Predict Energy Consumption in Public Buildings // Energies. 2016. V. 9(9). Pp 684—693.
3. Al-Allaf O.N., Abd Al Kader S.A. Nonlinear Autoregressive Neural Network for Estimation Soil Temperature: a Comparison of Diferent Optimization Neural Network Algorithms // UbiCC J. 2011. V. 6. Pp. 43—51.
4. Di Piazza A., Di Piazza M.C., Vitale G. Solar and Wind Forecasting by NARX Neural Networks // Renewable Energy and Environmental Sustainability. 2016. V. 1(36). Pp. 1—5.
5. Lydia M., Kumar S., Selvakumar A.I., Kumar G.E.P. Linear and Non-linear Autoregressive Models for Short-term Wind Speed Forecasting // Energy Conversion and Management. 2016. V. 112. Pp. 115—124.
6. Cadenas E., Rivera W., Campos-Amezcua R., Heard C. Wind Speed Prediction Using a Univariate ARIMA Model and a Multivariate NARX Model // Energies. 2016. V. 9(2). Pp. 109—115.
7. Zhang X., Frey R. Improving ARMA-GARCH Forecasts for High Frequency Data with Regime-switching ARMA-GARCH // J. Computational Analysis and Appl. 2015. V. 18(4). Pp. 727—751.
8. Kambouroudis D.S., McMillan D.G., Tsakou K. Forecasting Stock Return Volatility: a Comparison of GARCH, Implied Volatility, and Realized Volatility Models // J. Futures Markets. 2016. V. 36(12). Pp. 1127—1163.
9. Corrêa J.M., Neto A.C., Júnior L.T., Franco E.M.C., Faria A.E. Time Series Forecasting with the WARIMAX-GARCH Method // Neurocomputing. 2016. V. 9. Pp. 805—815.
10. Chaudhuri T.D., Ghosh I. Artificial Neural Network and Time Series Modeling Based Approach to Forecasting the Exchange Rate in a Multivariate Framework // J. Insurance and Financial Management. 2016. V. 1(5). Pp. 92—123.
11. Домащенко Д.В., Никулин Э.Е. Прогнозирование рядов динамики рыночных индикаторов на основе нелинейной авторегрессионной нейронной сети // Статистика и экономика. 2017. Т. 14. № 3. C. 4—9.
12. Хайкин C. Нейронные сети: полный курс. М.: Издат. дом «Вильямс», 2006.
13. Executive Summary — Projected Costs of Generating Electricity [Электрон. ресурс] www.oecd-nea.org/jcms/pl_14974/executive-summary-of-projected-costs-of-generating-electricity-2015-edition (дата обращения 08.04.2020).
14. Исследования об энергоэффективности, выбросов СО2, энергопотреблении, прогнозы [Офиц. сайт] www.enerdata.ru. (дата обращения 06.11.2020).
15. График изменения цен на нефть Brent к доллару США [Электрон. ресурс] www.finovosti.ru/quotes/BRENT/USD/chart/total (дата обращения 06.11.2020).
16. Природный газ: цена на бирже и онлайн график – Forex Club [Электрон. ресурс]. www.fxclub.org/markets/neft-gaz/ng (дата обращения 06.11.2020).
17. REN21 — Building the Sustainable Energy Future with Renewable Energy [Офиц. сайт] www.ren21.net. (дата обращения 06.11.2020).
18. Хайкин С. Преимущества и ограничения обучения методом обратного распространения. М.: Издат. дом «Вильямс», 2006.
19. Yousif J.H., Kazem H.A., Alattar N.N., Elhassan I.I. A Comparison Study Based on Artificial Neural Network for Assessing PV/T Solar Energy Production // Case Studies in Thermal Eng. 2019. V. 13. Pp. 1—13.
20. O’Leary D., Kubby J. Feature Selection and ANN Solar Power Prediction // Hindawi. 2017. V. 2017. Pp. 1—7.
---
Для цитирования: Филиппченкова Н.С. Нейросетевое прогнозирование полной приведенной стоимости электроэнергии для солнечных фотоэлектрических систем // Вестник МЭИ. 2021. № 4. С. 53—58. DOI: 10.24160/1993-6982-2021-4-53-58.
#
1. Chang G.W., Lu H.J., Chang Y.R., Lee Y.D. An Improved Neural Network-Based Approach for Short-term wind Speed and Power Forecast. J. Renewable Energy. 2017;105:301—311.
2. Ruiz L., Cu′ellar M., Calvo-Flores M., Jim′enez M. An Application of Non-linear Autoregressive Neural Networks to Predict Energy Consumption in Public Buildings. Energies. 2016;9(9):684—693.
3. Al-Allaf O.N., Abd Al Kader S.A. Nonlinear Autoregressive Neural Network for Estimation Soil Temperature: a Comparison of Diferent Optimization Neural Network Algorithms. UbiCC J. 2011;6:43—51.
4. Di Piazza A., Di Piazza M.C., Vitale G. Solar and Wind Forecasting by NARX Neural Networks. Renewable Energy and Environmental Sustainability. 2016;1(36):1—5.
5. Lydia M., Kumar S., Selvakumar A.I., Kumar G.E.P. Linear and Non-linear Autoregressive Models for Short-term Wind Speed Forecasting. Energy Conversion and Management. 2016;112:115—124.
6. Cadenas E., Rivera W., Campos-Amezcua R., Heard C. Wind Speed Prediction Using a Univariate ARIMA Model and a Multivariate NARX Model. Energies. 2016;9(2):109—115.
7. Zhang X., Frey R. Improving ARMA-GARCH Forecasts for High Frequency Data with Regime-switching ARMA-GARCH. J. Computational Analysis and Appl. 2015;18(4):727—751.
8. Kambouroudis D.S., McMillan D.G., Tsakou K. Forecasting Stock Return Volatility: a Comparison of GARCH, Implied Volatility, and Realized Volatility Models. J. Futures Markets. 2016;36(12):1127—1163.
9. Corrêa J.M., Neto A.C., Júnior L.T., Franco E.M.C., Faria A.E. Time Series Forecasting with the WARIMAX-GARCH Method. Neurocomputing. 2016;9:805—815.
10. Chaudhuri T.D., Ghosh I. Artificial Neural Network and Time Series Modeling Based Approach to Forecasting the Exchange Rate in a Multivariate Framework. J. Insurance and Financial Management. 2016;1(5):92—123.
11. Domashchenko D.V., Nikulin E.E. Prognozirovanie Ryadov Dinamiki Rynochnyh Indikatorov na Osnove Nelinejnoj Avtoregressionnoj Nejronnoj Seti. Statistika i Ekonomika. 2017;14;3:4—9. (in Russian).
12. Hajkin C. Nejronnye Seti: Polnyj Kurs. M.: Izdat. Dom «Vil'yams», 2006. (in Russian).
13. Executive Summary — Projected Costs of Generating Electricity [Elektron. Resurs] www.oecd-nea.org/jcms/pl_14974/executive-summary-of-projected-costs-of-generating-electricity-2015-edition (Data Obrashcheniya 08.04.2020).
14. Issledovaniya ob Energoeffektivnosti, Vybrosov SO2, Energopotreblenii, Prognozy [Ofitc. Sayt] www.enerdata.ru. (Data Obrashcheniya 06.11.2020). (in Russian).
15. Grafik Izmeneniya Cen na Neft' Brent k Dollaru SSHA [Elektron. Resurs] www.finovosti.ru/quotes/BRENT/USD/chart/total (Data Obrashcheniya 06.11.2020). (in Russian).
16. Prirodnyj Gaz: Cena na Birzhe i Onlajn Grafik – Forex Club [Elektron. Resurs]. www.fxclub.org/markets/neft-gaz/ng (Data Obrashcheniya 06.11.2020). (in Russian).
17. REN21 — Building the Sustainable Energy Future with Renewable Energy [Ofitc. Sayt] www.ren21.net. (Data Obrashcheniya 06.11.2020).
18. Khaykin S. Preimushchestva i Ogranicheniya Obucheniya Metodom Obratnogo Rasprostraneniya. M.: Izdat. Dom «Vil'yams», 2006. (in Russian).
19. Yousif J.H., Kazem H.A., Alattar N.N., Elhassan I.I. A Comparison Study Based on Artificial Neural Network for Assessing PV/T Solar Energy Production. Case Studies in Thermal Eng. 2019;13:1—13.
20. O’Leary D., Kubby J. Feature Selection and ANN Solar Power Prediction. Hindawi. 2017;2017:1—7.
---
For citation: Filippchenkova N.S. Prediction of Levelized Cost of Electricity for Solar Photovoltaic Systems by Using Neural Networks. Bulletin of MPEI. 2021;4:53—58. (in Russian). DOI: 10.24160/1993-6982-2021-4-53-58.
Опубликован
2020-11-13
Раздел
Энергоустановки на основе возобновляемых видов энергии (05.14.08)