Основные подходы прогнозирования выработки ветровых электростанций и их результативность

В Global Wind Report 2024 отмечается, что рост ветровой генерации является одним из ключевых трендов мировой энергетики. На начало 2024 г. суммарная установленная мощность ветровых электростанций (ВЭС) в мире достигла 1020 ГВт, что составляет около 7,6 % мирового энергопотребления. По прогнозам, доля солнечной и ветровой генерации вырастет с 13 % в 2022 г. до 35–50 % к 2050 г. [1]. В России также наблюдается активный рост ветроэнергетики: на 01.07.2024 г. в рамках программы ДПМ ВИЭ введены в эксплуатацию 26 ВЭС мощностью 2,455 ГВт, с планами увеличения до 4 ГВт к 2030 г. Мощность, вырабатываемая ветроэлектрическими установками (ВЭУ), зависит от скорости ветра, однако также на неё оказывают влияние другие метеорологические параметры, орография местности и схема размещения ВЭУ на площадке ВЭС. Это обуславливает непредсказуемость выработки ВЭУ/ВЭС и усложняет управление ими, – 438 – создает проблемы для устойчивости энергосистемы, а мгновенные небалансы мощности могут приводить к аварийным отключениям энергоустановок и потребителей.

Прогнозирование выработки ВЭС необходимо для:

• -    оптимизации управления энергосистемой (экономическая диспетчеризация, блокирование, динамическая оценка безопасности, резервирование мощности, межсистемные обмены);

• -    торговли электроэнергией на оптовом рынке [2, 3].

Прогнозирование выработки ВЭУ/ВЭС в настоящее время признано экономически эффективным решением, способным предоставить адекватную информацию о производстве ВЭУ/ ВЭС в период от нескольких часов до нескольких дней и даже до года. Особое внимание уделяется краткосрочному прогнозу выработки ВЭС, как правило, на сутки вперед с часовым разрешением, так как он позволяет операторам планировать резервы мощности, корректировать пропускную способность сети и участвовать в торгах на оптовом рынке электроэнергии и мощности (ОРЭМ) [2, 3]. Например, в России допускаются отклонения фактической выработки ВЭС от прогнозной на ±10 % от установленной мощности [4], а в Китае – до ±15 %.

Задачи краткосрочного прогнозирования скорости ветра и выработки ВЭУ/ВЭС являются многофакторными с большим числом плохо формализуемых метеорологических данных и влияющих переменных [2, 3]. Стандарты для таких моделей пока отсутствуют, как и единые подходы к использованию входных данных. Следует отметить, что для реализации моделей прогнозирования выработки ВЭУ/ВЭС не всегда подходят существующие методы расчета выработки электроэнергии ВЭУ/ВЭС по техническим характеристикам оборудования ВЭС. Кроме того, нет стандартов по использованию метеорологических данных и других переменных при создании моделей прогноза.

Первые модели краткосрочного прогнозирования выработки ВЭС появились в мире в середине 90-х годов прошлого века, и сегодня в мире их разработано много, некоторые из них успешно применяются для функционирующих ВЭС. Разработанные модели различаются по методологии, горизонту прогнозирования, сложности и точности [2, 3, 5–18]. Подобные модели были разработаны и в России [19–23]. При выборе модели прогноза рассматривают различные аспекты, но наиболее важные из них два – точность модели и время вычислений [2].

Основной общий недостаток существующих моделей прогнозирования выработки ВЭУ/ ВЭС – это их уникальность, т.е. их применение ограничено особенностями конкретных объектов: использование одной модели для других условий снижает точность результатов [2].

Точность прогнозов в первую очередь зависит от надежности определения исходных метеоданных, что делает исследования в этой области актуальными. Несмотря на множество существующих моделей прогноза выработки ВЭС, поиск решений для повышения точности и универсальности остается приоритетной задачей [2, 3, 13].

Классификация моделей прогноза

Модели прогнозирования выработки ВЭУ/ВЭС классифицируются по временному горизонту прогнозирования и методологии построения прогноза [2, 3, 5, 6]. Выбор подхода зависит от исходных данных и продолжительности периода – горизонта прогнозирования, на который даётся прогноз.

По временному горизонту прогнозы делятся на:

• -    срочные (несколько часов – несколько дней);

• -    среднемноголетние (на основе исторических данных или среднемноголетних метеоданных – исторические данные используются для оценки потенциала площадок для ВЭС, а среднемноголетние данные используются для анализа работы ВЭУ/ВЭС, например, при изучении сезонных вариаций выработки ВЭС) [2, 5, 6].

Срочные прогнозы подразделяются на:

• -    очень краткосрочный («very short term») – от настоящего момента времени с детальностью от минут до часа, в [2, 3] – менее получаса;

• -    краткосрочный («short term») – на несколько часов вперед: в [2, 3] – 0,5–6 ч, в [5, 6] – до 8 ч;

• -    среднесрочный («medium term») – на сутки вперед: в [2, 3] – 6–24 ч, в [5, 6] – 8–24 ч;

• -    долгосрочный («long term») – на несколько суток вперед: в [2, 3] – до 15 суток, в [5, 6] – до 1 месяца.

Среднесрочные прогнозы, применяемые в России, подаются ВЭС с почасовым шагом в соответствии с правилами оптового рынка электроэнергии.

По методологии построения прогноза модели делятся на [2, 3, 5, 6]:

• -    физические – основанные на численных методах прогноза погоды (ЧПП);

• -    статистические – используют архивные данные без учета метеорологических условий, часто с применением методов машинного обучения (нейронные сети);

• -    гибридные – объединяют физические и статистические подходы.

Каждый метод имеет свои преимущества и ограничения, зависящие от точности исходных данных и целей прогнозирования.

Физический метод

Физический метод не требует обучения на архивных данных о работе ВЭУ/ВЭС. Прогноз выработки основывается на численном прогнозе погоды (ЧПП) и характеристиках ВЭУ/ВЭС. Точность метода определяется составом и надежностью входных данных [2, 3, 24].

Входные данные могут включать:

• -    динамическую информацию: прогнозы скорости и направления ветра, температуры, влажности, атмосферного давления и других параметров, предоставляемые метеослужбами;

• -    статическую информацию: характеристики оборудования ВЭС (модель ВЭУ и их количество, мощностная характеристика ВЭУ и т.д.); описание местности (неровности, препятствия, орография и т.д.); схема размещения ВЭУ на площадке ВЭС и т.д. [2, 3, 24].

Прогноз выполняется в два этапа: сначала определяется ЧПП, затем на его основе оценивается выработка ВЭУ/ВЭС. Обычно используются паспортные мощностные характеристики, но исследования [10, 25] показывают, что применение натурных характеристик (полученных с использованием архивов данных SCADA ВЭУ) может значительно повысить точность прогноза.

Основным недостатком физического метода является зависимость от точности ЧПП, которая ограничена временным и пространственным разрешением. Это приводит к средней ошибке прогноза выработки до 10 % и более [2, 3]. Для снижения погрешности требуются:

• -    улучшение точности прогнозов скорости ветра;

• -    использование архивных метеоданных и моделей интерполяции для привязки данных к конкретным ВЭУ [13].

Реализация физического метода требует значительных ресурсов для сбора данных, их обработки и вычисления [24]. Также важно учитывать местные условия: орографию, схему размещения ВЭУ и индивидуальные характеристики каждой ВЭУ.

На ранних этапах разработки моделей прогнозирования физический метод использовался в «чистом» виде. Например, Фоккен и др. [26] разработали модель для прогнозирования скорости ветра на высоте оси ветроколеса и выработки ВЭС с горизонтом прогнозирования в 48 часов. Модель учитывает такие факторы, как шероховатость поверхности, рельеф, аэродинамические следы и ежедневные изменения термической стратификации атмосферы.

Физический подход остается важной основой для создания гибридных моделей, которые объединяют его с другими методологиями для повышения точности прогнозирования.

Статистические (регрессионные) методы

Статистические модели прогнозирования выработки ВЭУ/ВЭС основаны на выявлении взаимосвязи между входными данными, включая численные прогнозы погоды (ЧПП), и данными SCADA (мощность ВЭУ, скорость и направление ветра), с использованием методов машинного обучения, таких как искусственные нейронные сети (ИНС) или рекурсивные подходы. Такие модели не требуют технических характеристик ВЭУ/ВЭС и ориентированы на исторические данные метеоусловий и выработки [2, 3, 12]. Их точность зависит от качества и объема исторических данных, но снижается с увеличением горизонта прогнозирования [2, 3, 27].

Часто статистические модели напрямую преобразуют ЧПП и данные SCADA в прогноз мощности, пропуская промежуточные этапы, такие как разработка натурных мощностных характеристик ВЭУ [2, 3].

Наиболее популярными моделями временных рядов являются:

• -    ARMA (авторегрессия скользящего среднего) для стационарных процессов [28].

• -    ARIMA (авторегрессия интегрированного скользящего среднего) для нестационарных процессов [29].

Для прогнозирования выработки ВЭУ/ВЭС широко применяются следующие подходы:

• -    Искусственные нейронные сети (Artificial Neural Networks, ANNs) – наиболее популярный метод, в том числе вейвлетные нейронные сети (Wavelet Neural Networks, WNN) [24, 30, 31]. Их производительность зависит от структуры, алгоритма обучения и качества данных.

• -    Метод опорных векторов (Support Vector Machines, SVM) – подходит для классификации и регрессии [28].

• -    Метод пространственной корреляции (Spatial Correlation, SC) – простой метод для анализа пространственных данных [32].

Разработка ИНС включает два этапа: выбор структуры сети (прямая или рекуррентная) и алгоритма обучения (контролируемое, неконтролируемое, с подкреплением).

Методы машинного обучения часто обеспечивают более высокую точность для краткосрочных прогнозов по сравнению с физическими моделями. Однако они требуют значитель-– 441 – ных вычислительных ресурсов, что важно учитывать при работе в реальном времени. Например, модель Маркоса и др. [29] выполняет прогноз на 72 часа за 60–70 минут, что подходит для оперативного использования. Время вычислений зависит от алгоритма обучения: например, как показали Чжао и др. [7], ИНС с прямой передачей данных работает быстрее, чем с обратной передачей.

Выбор метода машинного обучения определяется входными данными и необходимостью обеспечения баланса между точностью прогноза и временем вычислений.

Гибридные методы

При решении задач прогноза выработки ВЭУ/ВЭС могут одновременно применяться несколько методов. В этом случае говорят о гибридных методах. В настоящее время гибридные методы являются основными для разработки краткосрочных и среднесрочных моделей прогноза выработки ВЭУ/ВЭС [2, 3].

Обычно с помощью статистических методов дают прогноз скорости ветра в точке ВЭУ на высоте оси ВК, а затем на основе физических методов пересчитывают прогнозные величины в мощность ВЭУ/ВЭС. В целом гибридные методы позволяют достигнуть более высокой точности прогноза, чем методы на основе одного подхода [2, 31].

В статистике и машинном обучении различные прогностические модели часто разрабатываются с использованием нескольких алгоритмов и различных наборов обучающих данных. Этот процесс часто называют ансамблевым моделированием, что является более продвинутым типом гибридного метода [2].

В рамках статистики и машинного обучения гибридные методы часто реализуются через ансамблевое моделирование. Этот подход объединяет несколько алгоритмов и наборов обучающих данных, что делает его более сложной и продвинутой формой гибридного метода [2].

Ансамблевые модели имеют следующие преимущества:

• -    повышение точности прогнозов за счет использования различных предикторов;

• -    снижение времени вычислений благодаря объединению выходных данных разных моделей;

• -    меньшая зависимость от настройки и экспертных знаний.

Эффективность ансамблевого моделирования зависит от распределения ошибок каждой из регрессионных моделей, входящих в ансамбль [2, 6].

Гибридные методы, включая ансамблевое моделирование, предлагают мощные инструменты для прогнозирования выработки ВЭУ/ВЭС, комбинируя сильные стороны статистических и физических подходов. Они особенно полезны для повышения точности и надежности прогнозов в сложных условиях.

Входные данные

Исторические или данные ЧПП в первую очередь влияют на точность прогноза, и им требуется уделять особое внимание при разработке моделей прогноза. Например, для снижения неопределенности ЧПП рекомендуется использовать фильтр Калмана [2]. Также для повышения точности моделей рекомендуется устранять ошибочные данные из исторических данных [2].

Метрики точности прогноза

С развитием технологий точность прогнозирования выработки ВЭУ/ВЭС повышается, однако ошибка возрастает с увеличением временного горизонта прогнозирования [2, 3]. Для оценки точности прогнозов используются различные метрики, в основном основанные на статистических характеристиках [2, 3, 5].

Наиболее часто применяются следующие показатели:

• -    нормализованная ошибка (Normalised Error, NE) – разность между прогнозируемым и измеренным значением, нормированная на максимальное значение прогноза;

• -    средняя абсолютная ошибка (Mean Absolute Error, MAE) – средний модуль отклонения прогнозного значения от реального;

• -    средняя ошибка смещения (Mean Bias Error, MBE) – определяет систематическую переоценку или недооценку величины;

• -    среднеквадратичная ошибка (Root Mean Square Error, RMSE) – наиболее широко используемая метрика, характеризующая точность прогноза;

• -    медиана абсолютной ошибки – оценка медианного отклонения;

• -    коэффициент корреляции или детерминации – отражает степень совпадения прогнозных и фактических данных.

RMSE наиболее часто используется для определения допустимых пределов ошибок:

• -    в Китае до 20 % для краткосрочного прогноза и 15 % для горизонта 4 часа [33];

• -    в Ирландии 6–8 % согласно требованиям системных операторов EirGrid и SONI [34];

• -    в России рекомендуемый уровень RMSE составляет 10 % от установленной мощности ВЭС [2].

Для сравнения эффективности различных методов прогноза обычно применяются нормированные характеристики:

• -    NRMSE (нормированное RMSE) – для учета масштаба объекта;

• -    NMAE (нормированная абсолютная ошибка) – для оценки ошибок независимо от размера объекта;

• -    NMBE (нормированная средняя ошибка смещения) – для оценки систематических ошибок.

Эти показатели удобны для оценки влияния разных наборов исходных данных на точность прогнозов [2].

В табл. 1 представлены формулы основных метрик, где приняты следующие обозначения: i – индекс значения из общего набора данных; n – количество данных в наборе; ризм – измерен-г>изм                                                     niipor ная мощность; Pni – нормированная измеренная мощность; /<   – прогнозируемая мощность;

ппР0Г

– нормированная прогнозируемая мощность.

Большинство авторов пользуются указанными выше классическими статистическими метриками, однако согласно [3], эти показатели погрешности прогноза могут не соответствовать требованиям сетевых операторов. Сетевые операторы требуют дополнительных метрик для выявления экстремальных ошибок, которые могут привести к серьезным экономическим последствиям [3]:

• -    асимметрия и эксцесс распределения ошибок – для анализа частоты экстремальных отклонений;

Таблица 1. Основные метрики погрешности прогнозирования

Table 1. Main forecasting error metrics

Показатель	Описание	Формула
RMSE	среднеквадратичная ошибка показывает как случайные, так и систематические ошибки	n ^\Pi3M - Р"р°г)2 '100
MBE (%)	средняя ошибка смещения: – MBE > 0 – завышение прогнозных значений – MBE < 0 – занижение прогнозных значений	/   n                  \ _ Pinpor)) ■100 X i=l                   /
MAE	средняя абсолютная ошибка	71—1 £ ^ | ризм _ рпрог | i=l
R 2	коэффициент детерминации	2™ |р.пРог — р.изм]2 ^n [ризм _ £^П ризм]
NE	нормированная ошибка	Г   рИЗМ   рПрОГ ^i — ^Ni     ^Ni рпрог рпрог _       _______ Ni _ max^P^} рИЗМ ризм _         i Ni _ max^L^P^
NMBE (%)	нормированная средняя ошибка смещения: – NMBE > 0 – завышение прогнозных значений – NMBE < 0 – занижение прогнозных значений	/ n \ 1-У E; 1 ■ 100 \nZ-i \ f=i /
NRMSE (%)	нормированная среднеквадратичная ошибка	n -У Ei2 ■ 100 nZ—i
NMAE (%)	нормированная абсолютная средняя ошибка	/ n \ l-Y|Ed blOO \nZ_i \ i=l    /

• -    максимальная абсолютная ошибка – оценивает возможные последствия в случае максимальной ошибки;

• -    интеграл Колмогорова-Смирнова (KSI) – определяет отличие между прогнозными и фактическими данными.

Использование дополнительных метрик позволяет учитывать экстремальные отклонения, которые не видны при использовании классических показателей. Это особенно важно для минимизации рисков в работе энергосистем и повышения экономической эффективности прогнозов.

Обзоры существующих моделей краткосрочного прогноза выработки ВЭУ/ВЭС

Существующие модели краткосрочного прогнозирования выработки ВЭУ/ВЭС подробно рассматриваются в ряде научных исследований [2, 3, 5, 7–9]. Однако многие из этих обзоров не содержат информации о необходимых исходных данных для разработки моделей, не дают подробного описания процесса их построения, а также не акцентируют внимание на практической применимости. Более полные и детализированные обзоры представлены в работах [2, 3].

В исследовании [2] рассмотрено 40 моделей краткосрочного прогноза скорости ветра и выработки ВЭУ/ВЭС, разработанных в период с 2006 по 2020 год для береговых ВЭС разных регионов мира. В работе представлены классификация моделей, факторы, влияющие на их точность, и оценка их эффективности. Помимо скорости ветра ключевыми входными данными для таких моделей часто являются температура, направление ветра, влажность и атмосферное давление. Авторы предложили блок-схему (дорожную карту) для выбора оптимального метода прогнозирования, учитывающего доступные данные, временные горизонты и другие условия. Это исследование содержит рекомендации, направленные на улучшение моделей и их адаптацию к различным задачам. Краткая информация по некоторым моделям, анализируемым в исследовании [2], приведена в табл. 2.

Исследование [3] сосредоточено на анализе точности прогнозирования выработки как береговых, так и морских ВЭС для 34 стран-членов ENTSO-E в период с 2013 по 2021 год. Впервые проведена раздельная оценка точности прогнозов на сутки вперед и внутри суток, с учетом завышения и занижения прогнозной выработки относительно фактической. Результаты пока-

Таблица 2. Примеры оценки точности прогнозных моделей

Table 2. Examples of evaluating the accuracy of predictive models

Источник Метод /Модель Входные данные Источник данных/ Размер выборки/ Частота выборки Метрики оценки Результаты оценки Zhao et al., 2016 [7] Статистический / Bidirectional ELM Мощность ветрового потока Наземная ВЭС в США/12 мес/60 мин NMBE NMAE NRMSE -0,53 % 16,61 % 21,27 % Singh et al. 2007 [8] Статистический / MLP Скорость и направление ветра, плотность воздуха ВЭС Форт-Дэвис в Техасе, США/2 мес/ 10 мин NMBE 1,08 % Chang, 2013 [17] Статистический / BPNN Мощность ветрового потока ВЭУ на побережье Тайчжуна (Тайвань)/ 6 дней/10 мин NMBE 0,278 % Zhang et al., 2019 [28] Гибридный/ LSTM, Gaussian Mixture Model (GMM) Скорость ветра ВЭС из 123-х ВЭУ на севере Китая/3 месяца/15 мин RMSE 6,37 % Marcos et al. 2017 [29] Гибридный/ Фильтр Калмана, статистическая регрессия и натурная мощностная характеристика ВЭУ ЧПП ВЭС Palmas и RN 05 в Бразилии MBE RMSE 4,32 кВт 101,11 кВт зали, что точность прогнозов существенно зависит от качества исходных данных и варьируется между странами. Например, для береговых ВЭС самые точные прогнозы зафиксированы в Германии, Испании, Франции и Швеции, где годовое завышение составило от 0,8 до 6,8 %. В других странах это значение варьировалось до 132 %. Для морских ВЭС годовые отклонения прогнозов в сторону завышения находились в диапазоне от 0,9 до 61,7 %, с наиболее низкими значениями в Германии и Дании.

Эти исследования имеют значительный практический вклад. Они позволяют системным операторам и участникам энергетического рынка учитывать локальные особенности данных и точность прогнозов при планировании работы энергосистем. Кроме того, разработанная в [2] дорожная карта упрощает выбор подходящего метода прогнозирования в зависимости от доступных данных и требований к точности, что особенно важно в условиях растущего использования ВЭС в энергетических системах.

Заключение

• 1.    Физические модели прогнозирования обеспечивают более высокую точность при среднесрочном и долгосрочном прогнозировании выработки ВЭУ/ВЭС, но требуют использования значительных вычислительных ресурсов. В то же время статистические методы более эффективны для краткосрочных прогнозов, однако их точность напрямую зависит от объема и качества используемых данных. Наиболее перспективным направлением являются гибридные модели, объединяющие физические и статистические подходы, а также методы ансамблевого обучения, позволяющие повысить точность прогнозов за счет синергии различных алгоритмов.

• 2.    Из-за стохастической природы ветрового режима ни одна модель прогнозирования не может обеспечить абсолютную точность, которая определяется множеством факторов, включающих объем и частоту выборки данных для обучения, тестирования и валидации, а также используемые алгоритмы и методы. Проведенные исследования показывают, что точность прогнозных моделей относительна и зависит от условий их применения. В литературе представлены различные подходы к оценке точности существующих моделей прогнозирования, однако отсутствие единого подхода к оценке точности моделей прогноза усложняет сопоставление их эффективности. В связи с этим требуется разработка унифицированного метода оценки точности моделей прогнозирования.

• 3.    Современные вычислительные технологии и методы обработки данных позволяют анализировать все более объемные массивы информации, однако это также порождает новые вызовы, связанные с предварительной обработкой и фильтрацией данных. В частности, особое внимание следует уделять устранению выбросов и аномалий в исторических данных и использованию методов коррекции численных прогнозов погоды. Дальнейшие исследования должны быть направлены на разработку адаптивных алгоритмов обработки входных данных, способных минимизировать погрешности прогноза и повысить его надежность.