Анализ влияния способов построения временных рядов солнечной инсоляции и скорости ветра на точность прогноза режима энергетических систем

  • Константин [Konstantin] Сергеевич [S.] Денисов [Denisov]
  • Ильдар [I′ldar] Радисович [R.] Хайретдинов [Khairetdinov]
  • Владимир [Vladimir] Иванович [I.] Велькин [Velkin]
  • Александр [Aleksandr] Николаевич [N.] Тырсин [Tyrsin]
Ключевые слова: солнечная инсоляция, коэффициент облачности, скорость ветра, возобновляемые источники энергии

Аннотация

Рассмотрены два разных подхода получения временных рядов данных солнечной инсоляции и скорости ветра для инженерных расчетов энергетических систем. Описана стохастическая модель получения солнечной инсоляции и скорости ветра суточной дискретизации на основании среднемесячных параметров. Проведен сравнительный анализ расчета различных комбинаций комплексных энергосистем на основе фотоэлектрических преобразователей, ветроэнергетических установок, топливных генераторов с использованием разных подходов получения стохастических данных солнечной инсоляции и скорости ветра в программном комплексе «VizProRES». На основе моделируемых данных дана вероятностная оценка систем с различным составом оборудования. Сравнение средних значений стоимости кВт·ч, полученных из многолетних климатических данных и сгенерированных на основе среднемесячных параметров, показало, что разница результатов для систем «ФЭП+ТГ» и «ВЭУ+ТГ» составила менее одного процента, а для системы «ФЭП+ВЭУ+ТГ» — чуть более 3%, что демонстрирует возможность использования каждого подхода для расчета энергосистем, состоящих из одного или нескольких вероятностных источников.

Сведения об авторах

Константин [Konstantin] Сергеевич [S.] Денисов [Denisov]

аспирант кафедры прикладной математики Уральского федерального университета имени первого Президента России Б.Н. Ельцина, e-mail: denser93@mail.ru

Ильдар [I′ldar] Радисович [R.] Хайретдинов [Khairetdinov]

магистрант кафедры атомных станций и возобновляемой энергетики Уральского федерального университета имени первого Президента России Б.Н. Ельцина, e-mail: ildar-hairetdino@bk.ru

Владимир [Vladimir] Иванович [I.] Велькин [Velkin]

доктор технических наук, профессор кафедры атомных станций и возобновляемой энергетики Уральского федерального университета имени первого Президента России Б.Н. Ельцина, e-mail: v.i.velkin@urfu.ru

Александр [Aleksandr] Николаевич [N.] Тырсин [Tyrsin]

доктор технических наук, профессор кафедры прикладной математики Уральского федерального университета имени первого Президента России Б.Н. Ельцина; Южно-Уральский государственный университет, e-mail: at2001@yandex.ru

Литература

1. Graham V.A., Hollands K.G.T., Unny T.E. A Time Series Model for Kt with Application to Global Synthetic Weather Generation // Solar Energy. 1988. V. 40. No. 2. Pp. 83—92.
2. Aguiar R.J., Collares-Pereira M. TAG: a Time Dependent Autoregressive Gaussian Model for Generating Synthetic Hourly Radiation // Solar Energy. 1992. V. 49(3). Pp. 167—174.
3. Duomarco J., Tierno J. Synthesis of Time Series for the Clearness Index Using a Reordering Algorithm // Nuovo Cimento. 1991. V. 14(6). Pp. 623—629.
4. Duffie J.A. Solar Engineering of Thermal Processes. N.-Y.: John Wiley & Sons, 2013.
5. Hassan Q., Jaszczur M., Przenzak E. Mathematical Model for the Power Generation from Arbitrarily Oriented Photovoltaic Panel // Web of Conf. 2017. V. 14. P. 01028.
6. Al-Aboosi F.Y. Models and Hierarchical Methodologies for Evaluating Solar Energy Availability under Different Sky Conditions Toward Enhancing Concentrating Solar Collectors use: Texas as a Case Study // Intern. J. Energy and Environmental Eng. 2020. V. 11. Pp. 177—205.
7. Berisha X., Zeqiri A., Meha D. Solar Radiation — the Estimation of the Optimum Tilt Angles for South-facing Surfaces in Pristina // Preprints. 2017. V. 1. Pp. 1—13.
8. David M., Ramahatana F., Trombe P.J., Lauret P. Probabilistic Forecasting of the Solar Irradiance with Recursive ARMA and GARCH Models // Solar Energy. 2016. V. 133. Pp. 55—72.
9. Boland J. Time Series Modelling of Solar Radiation // Modeling Solar Radiation at the Earth’s Surface. Berlin: Springer, 2008.
10. Box G.E., Jenkins G.M., Reinsel G.C., Ljung G.M. Time Series Analysis: Forecasting and Control. N.-Y.: John Wiley & Sons, 2015.
11. Bendt P., Collares-Pereira M., Rabl A. The Frequency Distribution of Daily Insolation Values // Solar Energy. 1981. V. 27(1). Pp. 1—5.
12. Frid S.E., Lisitskaya N.V., Popel O.S. Cumulative Clearness Index Frequency Distributions on the Territory of the Russian Federation // Doklady Physics. 2018. V. 63. Pp. 89—92.
13. Brett A.C., Tuller S.E. The Autocorrelation of Hourly Wind Speed Observations // J. Appl. Meteorology. 1991. V. 30. Pp. 823—833.
14. Carapellucci R., Giordano L. A Methodology for the Synthetic Generation of Hourly Wind Speed Time Series Based on Some Known Aggregate Input Data // Appl. Energy. 2013. V. 101. Pp. 541—550.
15. Alexandridis A., Zapranis A. Weather Derivatives: Modeling and Pricing Weather-related Risk. N.-Y.: Springer, 2013. Pp. 299—326.
16. Aririguzo J.C., Ekwe B.E. Weibull Dstribution Analysis of Wind Energy Prospect for Umudike, Nigeria for Power Generation // Robotics and Computer-Integrated Manufacturing. 2019. V. 55. Pt. B. Pp. 160—163.
17. Serban A., Paraschiv L.S., Paraschiv S. Assessment of Wind Energy Potential Based on Weibull and Rayleigh Distribution Models // Energy Rep. 2020. V. 6. Suppl. 6. Pp. 250—267.
18. Sadullayev N.N. e. a. Statistical Analysis of Wind Energy Potential in Uzbekistan’s Bukhara Region Using Weibull Distribution // Appl. Solar Energy. 2019. V. 55. Pp. 126—132.
19. Свидетельство о Государственной регистрации программы для ЭВМ № 2019618978. Программа расчета комплексной энергетической системы на основе возобновляемых источников энергии «VizProRES 2019» / Денисов К.С., Велькин В.И., Тырсин А.Н. 2019.
20. Денисов К.С., Велькин В.И., Тырсин А.Н. Решение задачи комплексного энергоснабжения автономного потребителя с целью уменьшения экономических затрат // Вестник ЮУрГУ. Серия «Энергетика». 2019. Т. 19. № 3. С. 84—92.
21. NASA. Прогнозирование мировых энергетических ресурсов [Электрон. ресурс] www.power.larc.nasa.gov/data-access-viewer/ (дата обращения 18.11.2020).
---
Для цитирования: Денисов К.С., Хайретдинов И.Р., Велькин В.И., Тырсин А.Н. Анализ влияния способов построения временных рядов солнечной инсоляции и скорости ветра на точность прогноза режима энергетических систем // Вестник МЭИ. 2021. № 4. С. 44—52. DOI: 10.24160/1993-6982-2021-4-44-52.
---
Работа выполнена при поддержке: РФФИ (проект № 20-41-660008)
#
1. Graham V.A., Hollands K.G.T., Unny T.E. A Time Series Model for Kt with Application to Global Synthetic Weather Generation. Solar Energy. 1988;40;2:83—92.
2. Aguiar R.J., Collares-Pereira M. TAG: a Time Dependent Autoregressive Gaussian Model for Generating Synthetic Hourly Radiation. Solar Energy. 1992;49(3):167—174.
3. Duomarco J., Tierno J. Synthesis of Time Series for the Clearness Index Using a Reordering Algorithm. Nuovo Cimento. 1991;14(6):623—629.
4. Duffie J.A. Solar Engineering of Thermal Processes. N.-Y.: John Wiley & Sons, 2013.
5. Hassan Q., Jaszczur M., Przenzak E. Mathematical Model for the Power Generation from Arbitrarily Oriented Photovoltaic Panel. Web of Conf. 2017;14:01028.
6. Al-Aboosi F.Y. Models and Hierarchical Methodologies for Evaluating Solar Energy Availability under Different Sky Conditions Toward Enhancing Concentrating Solar Collectors use: Texas as a Case Study. Intern. J. Energy and Environmental Eng. 2020;11:177—205.
7. Berisha X., Zeqiri A., Meha D. Solar Radiation — the Estimation of the Optimum Tilt Angles for South-facing Surfaces in Pristina. Preprints. 2017;1:1—13.
8. David M., Ramahatana F., Trombe P.J., Lauret P. Probabilistic Forecasting of the Solar Irradiance with Recursive ARMA and GARCH Models. Solar Energy. 2016;133:55—72.
9. Boland J. Time Series Modelling of Solar Radiation. Modeling Solar Radiation at the Earth’s Surface. Berlin: Springer, 2008.
10. Box G.E., Jenkins G.M., Reinsel G.C., Ljung G.M. Time Series Analysis: Forecasting and Control. N.-Y.: John Wiley & Sons, 2015.
11. Bendt P., Collares-Pereira M., Rabl A. The Frequency Distribution of Daily Insolation Values. Solar Energy. 1981;27(1):1—5.
12. Frid S.E., Lisitskaya N.V., Popel O.S. Cumulative Clearness Index Frequency Distributions on the Territory of the Russian Federation. Doklady Physics. 2018;63:89—92.
13. Brett A.C., Tuller S.E. The Autocorrelation of Hourly Wind Speed Observations. J. Appl. Meteorology. 1991;30:823—833.
14. Carapellucci R., Giordano L. A Methodology for the Synthetic Generation of Hourly Wind Speed Time Series Based on Some Known Aggregate Input Data. Appl. Energy. 2013;101:541—550.
15. Alexandridis A., Zapranis A. Weather Derivatives: Modeling and Pricing Weather-related Risk. N.-Y.: Springer, 2013:299—326.
16. Aririguzo J.C., Ekwe B.E. Weibull Dstribution Analysis of Wind Energy Prospect for Umudike, Nigeria for Power Generation. Robotics and Computer-Integrated Manufacturing. 2019;55;B:160—163.
17. Serban A., Paraschiv L.S., Paraschiv S. Assessment of Wind Energy Potential Based on Weibull and Rayleigh Distribution Models. Energy Rep. 2020;6;6:250—267.
18. Sadullayev N.N. e. a. Statistical Analysis of Wind Energy Potential in Uzbekistan’s Bukhara Region Using Weibull Distribution. Appl. Solar Energy. 2019;55:126—132.
19. Svidetel'stvo o Gosudarstvennoy Registratsii Programmy dlya EVM № 2019618978. Programma Rascheta Kompleksnoy Energeticheskoy Sistemy na Osnove Vozobnovlyaemykh Istochnikov Energii «VizProRES 2019». Denisov K.S., Vel'kin V.I., Tyrsin A.N. 2019. (in Russian).
20. Denisov K.S., Vel'kin V.I., Tyrsin A.N. Reshenie Zadachi Kompleksnogo Energosnabzheniya Avtonomnogo Potrebitelya s Tsel'yu Umen'sheniya Ekonomicheskikh Zatrat. Vestnik YUUrGU. Seriya «Energetika». 2019;19;3:84—92. (in Russian).
21. NASA. Prognozirovanie Mirovykh Energeticheskikh Resursov [Elektron. Resurs] www.power.larc.nasa.gov/data-access-viewer/ (Data Obrashcheniya 18.11.2020).
---
For citation: Denisov K.S., Khairetdinov I.R., Velkin V.I., Tyrsin A.N. The Influence of Methods for Constructing Solar Insolation and Wind Velocity Time Series on the Power System Operation Mode Prediction Accuracy. Bulletin of MPEI. 2021;4:44—52. (in Russian). DOI: 10.24160/1993-6982-2021-4-44-52.
The work is executed at support: RFBR (Project No. 20-41-660008)
Опубликован
2021-01-22
Раздел
Энергоустановки на основе возобновляемых видов энергии (05.14.08)