Power Forecasting of Photovoltaic Systems Based on Machine Learning Using Meteorological Parameters in Siberia and the Russian Far East

Abstract

Солнечная энергия является одним из наиболее перспективных экологически чистых источников энергии. Ее доля на мировом рынке значительно возрастает благодаря достижениям в области фотоэлектрических (PV) технологий, которые позволили разработать более эффективные фотоэлектрические панели солнечных батарей и существенно снизить их стоимость. Однако на выработку электроэнергии из солнечных батарей влияют различные метеорологические факторы, такие как солнечная радиация, облачный покров, количество осадков и температура. Эта изменчивость оказывает неблагоприятное влияние на крупномасштабную интеграцию солнечной энергии в системы энергоснабжения. Поэтому для успешной интеграции солнечной энергии в электрическую сеть необходимо точное прогнозирование мощности, вырабатываемой фотоэлектрическими панелями. Была рассмотрена задача прогнозирования фотоэлектрической мощности на ближайшие дни с интервалом 30 мин. Такой прогноз достаточно полезен для проведения анализа состояния солнечных фотоэлектрических установок и для принятия соответствующих решений. В работе использованы данные из различных источников, в том числе исторические данные о мощности фотоэлектрических установок, исторические данные о метеорологических параметрах, а также прогнозы погоды. Многие современные алгоритмы составляют единую модель прогнозирования для всех вариантов метеорологических параметров. В отличие от этого, мы используем кластеризацию для разделения дней на группы со схожими характеристиками метеорологических параметров, а затем создаем отдельную модель прогнозирования мощности фотоэлектрических станций для каждой группы. Полученные результаты показывают многообещающий потенциал для применения в реальных условиях, особенно для фотоэлектрических установок, находящихся в Сибири и на Дальнем Востоке.