Сучасний етап розвитку електроенергетики характеризується інтенсивним процесом розвитку та управління мікромережею. Доцільність використання мікромережі визначається тим, що вона має низку переваг порівняно з класичними методами генерації, передачі та розподілу енергії. Забезпечити надійність електропостачання в мікромережі набагато легше, ніж у великих центролізованих енергосистемах. Споживачі енергії в мікромережі можуть впливати на процес балансування електроенергії, регулюючи свої навантаження, генеруючи, накопичуючи та відпускаючи електроенергію. Одним із головних завдань Microgrid є забезпечення споживачів електричною енергією в балансі між її генерацією та споживанням. Це досягається завдяки інтелектуальному управлінню роботою Microgrid, яке використовує дані прогнозування енергоспоживання. Це дозволяє підвищити ефективність управління енергетичною інфраструктурою, робить її більш стійкою. Мета роботи - розробка моделей короткострокового прогнозування споживання електроенергії для різних типів споживачів електроенергії у Microgrid, що дозволить підвищити ефективність управління енергетичною інфраструктурою та загалом зменшити споживання електроенергії. Для отримання прогнозних значень споживання електроенергії використовуються авторегресійна модель (AR) SARIMA та модель машинного навчання (ML) LSTM. Інформаційні критерії AIC і BIC використовуються для порівняння авторегресійних моделей. Точність моделей прогнозування оцінюється за допомогою помилок MAE, RMSE, MAPE. Проведено експерименти з прогнозування обсягів споживання електроенергії для різних типів споживачів. Прогнозування проводилося як з використанням моделей LSTM, так і моделей AR на сформованих наборах даних з інтервалами кожну годину протягом 6 годин, 1 день і 3 дні. Результати прогнозування з використанням моделі LSTM відповідали вимогам, забезпечуючи кращу якість прогнозування порівняно з авторегресійними моделями. Висновки: проведене дослідження прогнозування споживання електроенергії дозволило знайти універсальні моделі прогнозування, які відповідають вимогам якості прогнозування. Проведено порівняльний аналіз розроблених моделей прогнозування часових рядів, у результаті якого виявлено переваги моделей ML перед моделями AR. Прогностична якість моделі LSTM показала точність MAPE прогнозування споживання електроенергії для приватного будинку - 0,1 %, молокозаводу - 3,74 %, АЗС - 3,67 %. Отримані результати дозволять підвищити ефективність управління мікромережею, розподілу електроенергії між споживачами для зменшення загальних обсягів споживання енергії та запобігання виникнення пікових навантажень.

 Наукова періодика України 

---

Додаткова інформація про автора(ів) публікації:
(cписок формується автоматично, до списку можуть бути включені персоналії з подібними іменами або однофамільці)

• Шендрик Владислав Володимирович (1968–) (юридичні науки)

  Якщо, ви не знайшли інформацію про автора(ів) публікації, маєте бажання виправити або відобразити більш докладну інформацію про науковців України запрошуємо заповнити "Анкету науковця"