Современные тенденции в области развития методов фотоэлектрического прогнозирования
DOI:
https://doi.org/10.24160/1993-6982-2025-6-98-105Ключевые слова:
фотоэлектрическая система, прогнозирование мощности, методы машинного обучения, методы гибридного обучения, искусственная нейронная сетьАннотация
В последние годы прогнозирование мощности фотоэлектрических систем (ФЭС) стало ключевым аспектом в управлении энергосистемами, особенно с учетом роста использования возобновляемых источников энергии. Точное прогнозирование мощности ФЭС позволяет оптимизировать работу энергосистем, снизить затраты и повысить стабильность сети. Однако высокая изменчивость выработки электроэнергии, связанная с погодными условиями и другими внешними факторами, создает серьезные проблемы для точности прогнозирования.
Представлен обзор современных методов прогнозирования мощности ФЭС, включая традиционные физические и статистические модели, методы машинного обучения и гибридные подходы. Особое внимание уделено методам глубокого обучения, таким как сверточные нейронные сети (CNN), рекуррентные нейронные сети (RNN) и модели долговременной кратковременной памяти (LSTM), которые демонстрируют высокую эффективность в обработке сложных нелинейных зависимостей и временных рядов. Рассмотрены ансамблевые и гибридные методы, сочетающие несколько подходов для повышения точности прогнозирования. Важной частью исследования является анализ метрик оценки точности прогнозирования, таких как средняя абсолютная ошибка (MAE), среднеквадратичная ошибка (RMSE) и коэффициент детерминации (R²). Рассмотрены основные источники ошибок и факторы, влияющие на результаты прогнозирования. Представлены перспективы развития методов прогнозирования, включая тенденции к использованию ансамблевых и гибридных моделей, а также необходимость стандартизации метрик оценки для более точного сравнения различных подходов. Таким образом, представленный обзор способствует дальнейшему развитию методов прогнозирования и их применению в интеллектуальных энергосистемах.
Библиографические ссылки
1. Сергеев Н.Н., Матренин П.В. Обзор международного опыта в прогнозировании генерации возобновляемых источников энергии с помощью методов машинного обучения // iPolytech J. 2023. Т. 27. № 2. С. 354—369.
2. Salamanis A.I. e. a. Benchmark Comparison of Analytical, Data-based and Hybrid Models for Multi-step Short-term Photovoltaic Power Generation Forecasting // Energies. 2020. V. 13. P. 5978.
3. Farah S., Boland J. Time Series Model for Real-time Forecasting of Australian Photovoltaic Solar Farms Power Output. J. Renew. Sustain // Energy. 2021. V. 13. P. 046102.
4. Polimeni S., Nespoli A., Leva S., Valenti G., Manzolini G. Implementation of Different PV Forecast Approaches in a MultiGood MicroGrid: Modeling and Experimental Results // Processes. 2021. V. 9. P. 323.
5. Камалова Д.М. и др. Обзор методов краткосрочного прогнозирования выработки электроэнергии фотоэлектрическими станциями // Международный журнал информационных технологий и энергоэффективности. 2024. Т. 9. № 7(45) С. 242—249.
6. Perera M., De Hoog J., Bandara K., Halgamuge S. Multi-resolution, Multi-horizon Distributed Solar PV Power Forecasting with Forecast Combinations // Expert Systems with Appl. 2022. V. 205. P. 117690.
7. Géron A. Hands-on Machine Learning with Scikit-learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. Missouri: Southeast University Press, 2023.
8. Dimovski A., Moncecchi M., Falabretti D., Merlo M. PV Forecast for the Optimal Operation of the Medium Voltage Distribution Network: a Real-life Implementation on a Large-scale Pilot // Energies. 2020. V. 13. P. 5330.
9. Mubarak H. e. a. A Hybrid Machine Learning Method with Explicit Time Encoding for Improved Malaysian Photovoltaic Power Prediction // J. Cleaner Production. 2023. V. 382. P. 134979.
10. Матренин П.B. e. a. Повышение точности прогнозирования генерации фотоэлектрических станций на основе алгоритмов k-средних и k-ближайших соседей // Известия высших учеб. заведений и энергетических объединений СНГ. Серия «Энергетика». 2023. № 66(4). С. 305—321.
11. Goodfellow I., Bengio Y., Courville A. Deep Learning. N.-Y.: MIT Press, 2016.
12. Kumar P.M., Saravanakumar R., Karthick A., Mohanavel V. Artificial Neural Network-based Output Power Prediction of Grid-connected Semitransparent Photovoltaic System // Environmental Sci. and Pollution Research. 2022. V. 29. Pp. 10173—10182.
13. Qing X., Niu Y. Hourly Day-ahead Solar Irradiance Prediction Using Weather Forecasts by LSTM // Energy. 2018. V. 148. Pp. 461—468.
14. Jiang J.R. e. a. Research on Photovoltaic Power Prediction Method Based on Deep Learning Algorithm // Automation Appl. 2023. V. 13. Pp. 102—104.
15. Dolara A. e. a. A Physical Hybrid Artificial Neural Network for Short Term Forecasting of PV Plant Power Output // Energies. 2015. V. 8. Pp.1138—1153.
16. Zhang J. e. a. A Suite of Metrics for Assessing the Performance of Solar Power Forecasting // Solar Energy. 2015. V. 111. Pp. 157—175.
17. Raj V. e. a. Ensemble Machine Learning for Predicting the Power Output from Different Solar Photovoltaic Systems // Energies. 2023. V. 16(2). P. 671.
18. Воротынцев Д.В., Тягунов М.Г. Прогноз выработки электроэнергии фотоэлектрическими электростанциями (на сутки вперед) с использованием машинного обучения // Вестник МЭИ. 2018. № 4. С. 53—57.
19. Lauria D., Mottola F., Proto. D. Caputo Derivative Applied to Very Short Time Photovoltaic Power Forecasting // Appl. Energy. 2022. V. 309. P. 118452.
20. Mehazzem F., André M., Calif R. Efficient Output Photovoltaic Power Prediction Based on MPPT Fuzzy Logic Technique and Solar Spatio-Temporal Forecasting Approach in a Tropical Insular Region // Energies. 2022. V. 15(22). P. 8671.
21. Ahn H.K., Park N. Deep RNN-Based Photovoltaic Power Short-term Forecast Using Power IoT Sensors // Energies. 2021. V. 14. P. 436.
22. Khortsriwong N. e. a. Performance of Deep Learning Techniques for Forecasting PV Power Generation: A Case Study on a 1.5 MWp Floating PV Power Plant // Energies. 2023. V. 16. P. 2119.
23. Tuyen N-D., Hieu D-D., Fujita G., Son T-T. Multi 2D-CNN-based Model for Short-term PV Power Forecast Embedded with Laplacian Attention // Energy Rep. 2024. V. 12. Pp. 2086—2096.
24. Ghimire S. e. a. Hybrid Convolutional Neural Network-multilayer Perceptron Model for Solar Radiation Prediction // Cognitive Computation. 2023. V. 15. Pp. 645—671.
25. Ju Y., Li J., Sun G. Ultra-short-term Photovoltaic Power Prediction Based on Self-attention Mechanism and Multi-task learning // IEEE Access. 2020. V. 8. Pp. 44821—44829.
26. Тюньков Д.А. и др. Нейросетевая модель для краткосрочного прогнозирования выработки электрической энергии солнечными электростанциями // Научный вестник НГТУ. 2020. № 4(80). С. 145—158.
27. Xie C.Z. e. a. Prediction of boa-GBDT Photovoltaic Output Based on Fine-grained Characteristics // J. Power System Technol. 2020. V. 44(2). Pp. 689—696.
28. Cordeiro-Costas M., Villanueva D., Eguía-Oller P., Granada-Álvarez E. Machine Learning and Deep Learning Models Applied to Photovoltaic Production Forecasting // Appl. Sci. 2022. V. 12. P. 8769.
29. Aljanad A., Tan N.M.L, Agelidis V.G., Shareef H. Neural Network Approach for Global Solar Irradiance Prediction at Extremely Short-time-intervals Using Particle Swarm Optimization Algorithm // Energies. 2021. V. 14(4). P. 1213.
30. Wang W., Wang B., Zhang J., Lu L., He X. New Energy Regional Power Prediction Algorithm Based on Statistical Upscaling in Ningbo Area // J. China Electric Power. 2020. V. 53(5). Pp. 100—111.
31. Zhu R., Li T., Tang B. Research on Short-term Photovoltaic Power Generation Forecasting Model Based on Multi-Strategy Improved Squirrel Search Algorithm and Support Vector Machine // Sci. Rep. 2024. V. 14. P. 14348.
32. Almaghrabi S., Rana M., Hamilton M., Rahaman M.S. Solar Power Time Series Forecasting Utilising Wavelet Coefficients // Neurocomputing. 2022. V. 508. Pp. 182—207.
33. Bozorg M. e. a. A Derivative-Persistence Method for Real Time Photovoltaic Power Forecasting // Proc. Intern. Conf. Smart Grids and Energy Systems. Perth, 2020. Pp. 843—847.
34. Bozorg M. e. a. Bayesian Bootstrapping in Real-time Probabilistic Photovoltaic Power Forecasting // Solar Energy. 2021. V. 225. Pp. 577—590.
35. Тюньков Д.А., Сапилова А.А., Грицай А.С., Алексеенко Д.А., Хамитов Р.Н. Методы краткосрочного прогнозивания выработки электрической энергии солнечными электростанциями и их классификация // Электротехнические системы и комплексы. 2020. № 3(48). С. 4—10.
36. Cui Y., Wu M., Jiang Y., Jing P. Short- and Medium-term Forecasting of Distributed PV Output in Plateau Regions Based on a Hybrid MLP-FGWO-PSO Approach // Energy Rep. 2024. V. 11. Pp. 2685—2691.
37. Wu Y., Xiang C., Qian H., Zhou P. Optimization of Bi-LSTM Photovoltaic Power Prediction Based on Improved Snow Ablation Optimization Algorithm // Energies. 2024. V. 17(17). P. 4434.
---
Для цитирования: Чэнь Сяоюй, Ду Ян,Альмнхалави Хашим Али, Велькин В.И., Ли Цюаньпэн. Современные тенденции в области развития методов фотоэлектрического прогнозирования // Вестник МЭИ. 2025. № 6. С. 98—105. DOI: 10.24160/1993-6982-2025-6-98-105
---
Конфликт интересов: авторы заявляют об отсутствии конфликта интересов
#
1. Sergeev N.N., Matrenin P.V. Obzor Mezhdunarodnogo Opyta v Prognozirovanii Generatsii Vozobnovlyaemykh Istochnikov Energii s Pomoshch'yu Metodov Mashinnogo Obucheniya. iPolytech J. 2023;27;2:354—369. (in Russian).
2. Salamanis A.I. e. a. Benchmark Comparison of Analytical, Data-based and Hybrid Models for Multi-step Short-term Photovoltaic Power Generation Forecasting. Energies. 2020;13:5978.
3. Farah S., Boland J. Time Series Model for Real-time Forecasting of Australian Photovoltaic Solar Farms Power Output. J. Renew. Sustain. Energy. 2021;13:046102.
4. Polimeni S., Nespoli A., Leva S., Valenti G., Manzolini G. Implementation of Different PV Forecast Approaches in a MultiGood MicroGrid: Modeling and Experimental Results. Processes. 2021;9:323.
5. Kamalova D.M. i dr. Obzor Metodov Kratkosrochnogo Prognozirovaniya Vyrabotki Elektroenergii Fotoelektricheskimi Stantsiyami. Mezhdunarodnyy Zhurnal Informatsionnykh Tekhnologiy i Energoeffektivnosti. 2024;9;7(45):242—249. (in Russian).
6. Perera M., De Hoog J., Bandara K., Halgamuge S. Multi-resolution, Multi-horizon Distributed Solar PV Power Forecasting with Forecast Combinations. Expert Systems with Appl. 2022;205:117690.
7. Géron A. Hands-on Machine Learning with Scikit-learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems. Missouri: Southeast University Press, 2023.
8. Dimovski A., Moncecchi M., Falabretti D., Merlo M. PV Forecast for the Optimal Operation of the Medium Voltage Distribution Network: a Real-life Implementation on a Large-scale Pilot. Energies. 2020;13:5330.
9. Mubarak H. e. a. A Hybrid Machine Learning Method with Explicit Time Encoding for Improved Malaysian Photovoltaic Power Prediction. J. Cleaner Production. 2023;382:134979.
10. Matrenin P.B. e. a. Povyshenie Tochnosti Prognozirovaniya Generatsii Fotoelektricheskikh Stantsiy na Osnove Algoritmov k-Srednikh i k-Blizhayshikh Sosedey. Izvestiya Vysshikh Ucheb. Zavedeniy i Energeticheskikh Ob'edineniy SNG. Seriya «Energetika». 2023;66(4):305—321. (in Russian).
11. Goodfellow I., Bengio Y., Courville A. Deep Learning. N.-Y.: MIT Press, 2016.
12. Kumar P.M., Saravanakumar R., Karthick A., Mohanavel V. Artificial Neural Network-based Output Power Prediction of Grid-connected Semitransparent Photovoltaic System. Environmental Sci. and Pollution Research. 2022;29:10173—10182.
13. Qing X., Niu Y. Hourly Day-ahead Solar Irradiance Prediction Using Weather Forecasts by LSTM. Energy. 2018;148:461—468.
14. Jiang J.R. e. a. Research on Photovoltaic Power Prediction Method Based on Deep Learning Algorithm. Automation Appl. 2023;13:102—104.
15. Dolara A. e. a. A Physical Hybrid Artificial Neural Network for Short Term Forecasting of PV Plant Power Output. Energies. 2015;8. Pp.1138—1153.
16. Zhang J. e. a. A Suite of Metrics for Assessing the Performance of Solar Power Forecasting. Solar Energy. 2015;111:157—175.
17. Raj V. e. a. Ensemble Machine Learning for Predicting the Power Output from Different Solar Photovoltaic Systems. Energies. 2023;16(2):671.
18. Vorotyntsev D.V., Tyagunov M.G. Prognoz Vyrabotki Elektroenergii Fotoelektricheskimi Elektrostantsiyami (na Sutki Vpered) s Ispol'zovaniem Mashinnogo Obucheniya. Vestnik MEI. 2018;4:53—57. (in Russian).
19. Lauria D., Mottola F., Proto. D. Caputo Derivative Applied to Very Short Time Photovoltaic Power Forecasting. Appl. Energy. 2022;309:118452.
20. Mehazzem F., André M., Calif R. Efficient Output Photovoltaic Power Prediction Based on MPPT Fuzzy Logic Technique and Solar Spatio-Temporal Forecasting Approach in a Tropical Insular Region. Energies. 2022;15(22):8671.
21. Ahn H.K., Park N. Deep RNN-Based Photovoltaic Power Short-term Forecast Using Power IoT Sensors. Energies. 2021;14:436.
22. Khortsriwong N. e. a. Performance of Deep Learning Techniques for Forecasting PV Power Generation: A Case Study on a 1.5 MWp Floating PV Power Plant. Energies. 2023;16:2119.
23. Tuyen N-D., Hieu D-D., Fujita G., Son T-T. Multi 2D-CNN-based Model for Short-term PV Power Forecast Embedded with Laplacian Attention. Energy Rep. 2024;12:2086—2096.
24. Ghimire S. e. a. Hybrid Convolutional Neural Network-multilayer Perceptron Model for Solar Radiation Prediction. Cognitive Computation. 2023;15:645—671.
25. Ju Y., Li J., Sun G. Ultra-short-term Photovoltaic Power Prediction Based on Self-attention Mechanism and Multi-task learning. IEEE Access. 2020;8:44821—44829.
26. Tyun'kov D.A. i dr. Neyrosetevaya Model' dlya Kratkosrochnogo Prognozirovaniya Vyrabotki Elektricheskoy Energii Solnechnymi Elektrostantsiyami. Nauchnyy Vestnik NGTU. 2020;4(80):145—158. (in Russian).
27. Xie C.Z. e. a. Prediction of boa-GBDT Photovoltaic Output Based on Fine-grained Characteristics. J. Power System Technol. 2020;44(2):689—696.
28. Cordeiro-Costas M., Villanueva D., Eguía-Oller P., Granada-Álvarez E. Machine Learning and Deep Learning Models Applied to Photovoltaic Production Forecasting. Appl. Sci. 2022;12:8769.
29. Aljanad A., Tan N.M.L, Agelidis V.G., Shareef H. Neural Network Approach for Global Solar Irradiance Prediction at Extremely Short-time-intervals Using Particle Swarm Optimization Algorithm. Energies. 2021;14(4):1213.
30. Wang W., Wang B., Zhang J., Lu L., He X. New Energy Regional Power Prediction Algorithm Based on Statistical Upscaling in Ningbo Area. J. China Electric Power. 2020;53(5):100—111.
31. Zhu R., Li T., Tang B. Research on Short-term Photovoltaic Power Generation Forecasting Model Based on Multi-Strategy Improved Squirrel Search Algorithm and Support Vector Machine. Sci. Rep. 2024;14:14348.
32. Almaghrabi S., Rana M., Hamilton M., Rahaman M.S. Solar Power Time Series Forecasting Utilising Wavelet Coefficients. Neurocomputing. 2022;508:182—207.
33. Bozorg M. e. a. A Derivative-Persistence Method for Real Time Photovoltaic Power Forecasting. Proc. Intern. Conf. Smart Grids and Energy Systems. Perth, 2020:843—847.
34. Bozorg M. e. a. Bayesian Bootstrapping in Real-time Probabilistic Photovoltaic Power Forecasting. Solar Energy. 2021;225:577—590.
35. Tyun'kov D.A., Sapilova A.A., Gritsay A.S., Alekseenko D.A., Khamitov R.N. Metody Kratkosrochnogo Prognozivaniya Vyrabotki Elektricheskoy Energii Solnechnymi Elektrostantsiyami i Ikh Klassifikatsiya. Elektrotekhnicheskie Sistemy i Kompleksy. 2020;3(48):4—10. (in Russian).
36. Cui Y., Wu M., Jiang Y., Jing P. Short- and Medium-term Forecasting of Distributed PV Output in Plateau Regions Based on a Hybrid MLP-FGWO-PSO Approach. Energy Rep. 2024;11:2685—2691.
37. Wu Y., Xiang C., Qian H., Zhou P. Optimization of Bi-LSTM Photovoltaic Power Prediction Based on Improved Snow Ablation Optimization Algorithm. Energies. 2024;17(17):4434
---
For citation: Chen Xiaoyu, Du Yang, Almnhalawi Hashim Ali, Velkin V.I., Li Quanpeng. Current Trends in the Development of Photovoltaic Forecasting Methods. Bulletin of MPEI. 2025;6:98—105. (in Russian). DOI: 10.24160/1993-6982-2025-6-98-105
---
Conflict of interests: the authors declare no conflict of interest
