Математическая модель процессов потребления и генерирования реактивной мощности ветроэнергетической установкой при параллельной работе с энергосистемой
DOI:
https://doi.org/10.24160/1993-6982-2026-2-39-46Ключевые слова:
математическая модель, реактивная мощность, осциллограмма, ветроэнергетическая установка, энергосистемаАннотация
Современные ветроэнергетические установки часто создают с асинхронными генераторами, которые являются и потребителями, и источниками реактивной мощности. В связи с этим при исследованиях была поставлена цель — разработать такую математическую модель, которая позволила бы установить компенсируемую реактивную мощность, изменяющуюся в зависимости от поступающей скорости ветра и конструктивных особенностей ветроэнергетической установки. Для ее составления взята модель одномассовой электромеханической системы. Существенное изменение скорости и направления ветра в течение года приводит к возникновению пульсаций активной и реактивной мощностей ветроэнергетических установок с асинхронными двигателями. Пульсации отображены на приведенных осциллограммах для двух случаев: когда средняя скорость ветра близка к 13 и 8 м/с. Разработанная математическая модель процессов потребления и генерирования реактивной мощности учитывает моменты потерь энергии в трансмиссии и генераторе, изменения скорости ветра и напряжения сети, нелинейность параметров генератора и трансформатора. Проведено сравнение результатов моделирования с экспериментальными данными для ветроэнергетических установок USW56-100. Анализ графических процессов изменения реактивной мощности в одном и том же диапазоне времени позволяет сделать вывод о высокой степени совпадения. Основными факторами, обусловливающими потребление реактивной электроэнергии из электросистемы, являются перенапряжения на составных частях ветроэнергетической установки, нелинейность магнитной цепи генератора, наличие системы защиты, способствующей электромагнитной совместимости
Библиографические ссылки
1. Полуянович Н.К., Дубяго М.Н., Азаров Н.В., Огреничев А.В. Нейросетевой метод в задачах прогнозирования электропотребления в электроэнергетической системе // Математические методы в технологиях и технике. 2022. № 1. С. 114—118.
2. Манусов В.З., Орлов Д.В., Антоненков Д.В. Предиктивное управление и прогнозирование производственного процесса в условиях детерменированного хаоса // Известия Российской академии наук. Серия «Энергетика». 2022. № 3. С. 63—78.
3. Таваров С.Ш. Алгоритм обучения искусственной нейронной сети для факторного прогнозирования электропотребления бытового сектора // Электричество. 2022. № 3. С. 30—38.
4. Rakhmonov I.U. e. a. Forecasting Electricity Consumption Using the Principal Component Analysis Method // Bulletin of the Tomsk Polytechnic University Geo Assets Eng. 2024. V. 335(12). Pp. 198—209.
5. Stoilova K. e. a. Forecasting Electrical Energy Consumptions // WSEAS Transactions on Power Systems. 2024. V. 19. Pp. 400—408.
6. Пронина Е.А. Об одной математической модели электропотребления с учетом данных мониторинга // Вестник КрасГАУ. 2013. № 9(84). С. 333—341.
7. Шенец Е.Л., Капанский А.А. Метод распределения условно-постоянной составляющей расхода электрической энергии при построении многофакторных математических моделей электропотребления // Вестник Гомельского гос. техн. ун-та им. П.О. Сухого. 2022. № 2(89). С. 35—42.
8. Beridze Т. Efficiency of Electricity Consumption at Mining Enterprises Taking Emissions into Account // J. Electrical and Power Eng. 2024. V. 31(2). Pp. 33—39.
9. Вялкова С.А., Надтока И.И. Прогнозирование суточных графиков активной мощности мегаполиса с учетом прогнозных данных естественной освещенности // Известия высших учебных заведений. Серия «Электромеханика». 2020. Т. 63. № 5. С. 67—71.
10. Christovão M.N., Neto M.M. Statistical Model for Estimating Electricity Consumption by the Agricultural Sector in São Paulo // Sci. and Connections: the Interdependence of Disciplines. São Paulo: Seven Editoro Publ., 2025.
11. Артемичев М.В. Анализ факторов и выбор параметров системы прогнозирования генерации электроэнергии // Перспективное развитие науки, техники и технологий: Материалы Междунар. науч.-практ. конф. Курск, 2011. С. 35—38.
12. Матренин П.B. и др. Повышение точности прогнозирования генерации фотоэлектрических станций на основе алгоритмов k-средних и k-ближайших соседей // Известия высших учебных заведений и энергетических объединений СНГ. Серия «Энергетика». 2023. Т. 66. № 4. С. 305—321.
13. Киргизов А.К. Стохастическая модель прогнозирования генерации электроэнергии солнечной фотоэлектрической панели // Политехнический вестник. Серия «Инженерные исследования». 2020. № 4 (52). С. 21—26.
14. Ebeed M. e. a. Incorporating Wind Energy into the Stochastic Optimal Reactive Power Dispatch Framework // Proc. IEEE Middle East Power Systems Conf. Shoubra, 2024.
15. Tuğrul T., Oruc S., Hinis M.A. Transforming Wind Data into Insights: a Comparative Study of Stochastic and Machine Learning Models in Wind Speed Forecasting // Appl. Sci. 2025. V. 15(7). P. 3543.
16. Sheehan H., Poole D.J., Filho S., Bossanyi E. Investigations into Deep Reinforcement Learning for Wind Farm Set-Point Optimisation // Expert Systems with Appl. 2025. V. 282. P. 127627
---
Для цитирования: Бекиров Э.А., Воскресенская С.Н., Бекиров О.С. Математическая модель процессов потребления и генерирования реактивной мощности ветроэнергетической установкой при параллельной работе с энергосистемой // Вестник МЭИ. 2026. № 2. С. 39—46. DOI: 10.24160/1993-6982-2026-2-39-46
---
Конфликт интересов: авторы заявляют об отсутствии конфликта интересов
#
1. Poluyanovich N.K., Dubyago M.N., Azarov N.V., Ogrenichev A.V. Neyrosetevoy Metod v Zadachakh Prognozirovaniya Elektropotrebleniya v Elektroenergeticheskoy Sisteme. Matematicheskie Metody v Tekhnologiyakh i Tekhnike. 2022;1:114—118. (in Russian).
2. Manusov V.Z., Orlov D.V., Antonenkov D.V. Prediktivnoe Upravlenie i Prognozirovanie Proizvodstvennogo Protsessa v Usloviyakh Determenirovannogo Khaosa. Izvestiya Rossiyskoy Akademii Nauk. Seriya «Energetika». 2022;3:63—78. (in Russian).
3. Tavarov S.Sh. Algoritm Obucheniya Iskusstvennoy Neyronnoy Seti dlya Faktornogo Prognozirovaniya Elektropotrebleniya Bytovogo Sektora. Elektrichestvo. 2022;3:30—38. (in Russian).
4. Rakhmonov I.U. e. a. Forecasting Electricity Consumption Using the Principal Component Analysis Method. Bulletin of the Tomsk Polytechnic University Geo Assets Eng. 2024;335(12):198—209.
5. Stoilova K. e. a. Forecasting Electrical Energy Consumptions. WSEAS Transactions on Power Systems. 2024;19:400—408.
6. Pronina E.A. Ob Odnoy Matematicheskoy Modeli Elektropotrebleniya s Uchetom Dannykh Monitoringa. Vestnik KrasGAU. 2013;9(84):333—341. (in Russian).
7. Shenets E.L., Kapanskiy A.A. Metod Raspredeleniya Uslovno-postoyannoy Sostavlyayushchey Raskhoda Elektricheskoy Energii pri Postroenii Mnogofaktornykh Matematicheskikh Modeley Elektropotrebleniya. Vestnik Gomel'skogo Gos. Tekhn. Un-ta im. P.O. Sukhogo. 2022;2(89):35—42. (in Russian).
8. Beridze T. Efficiency of Electricity Consumption at Mining Enterprises Taking Emissions into Account. J. Electrical and Power Eng. 2024;31(2):33—39.
9. Vyalkova S.A., Nadtoka I.I. Prognozirovanie Sutochnykh Grafikov Aktivnoy Moshchnosti Megapolisa s Uchetom Prognoznykh Dannykh Estestvennoy Osveshchennosti. Izvestiya Vysshikh Uchebnykh Zavedeniy. Seriya «Elektromekhanika». 2020;63;5:67—71. (in Russian).
10. Christovão M.N., Neto M.M. Statistical Model for Estimating Electricity Consumption by the Agricultural Sector in São Paulo. Sci. and Connections: the Interdependence of Disciplines. São Paulo: Seven Editoro Publ., 2025.
11. Artemichev M.V. Analiz Faktorov i Vybor Parametrov Sistemy Prognozirovaniya Generatsii Elektroenergii. Perspektivnoe Razvitie Nauki, Tekhniki i Tekhnologiy: Materialy Mezhdunar. Nauch.-prakt. Konf. Kursk, 2011:35—38. (in Russian).
12. Matrenin P.B. i dr. Povyshenie Tochnosti Prognozirovaniya Generatsii Fotoelektricheskikh Stantsiy na Osnove Algoritmov k-Srednikh i k-Blizhayshikh Sosedey. Izvestiya Vysshikh Uchebnykh Zavedeniy i Energeticheskikh Ob'edineniy SNG. Seriya «Energetika». 2023;66;4:305—321. (in Russian).
13. Kirgizov A.K. Stokhasticheskaya Model' Prognozirovaniya Generatsii Elektroenergii Solnechnoy Fotoelektricheskoy Paneli. Politekhnicheskiy Vestnik. Seriya «Inzhenernye Issledovaniya». 2020;4 (52):21—26. (in Russian).
14. Ebeed M. e. a. Incorporating Wind Energy into the Stochastic Optimal Reactive Power Dispatch Framework. Proc. IEEE Middle East Power Systems Conf. Shoubra, 2024.
15. Tuğrul T., Oruc S., Hinis M.A. Transforming Wind Data into Insights: a Comparative Study of Stochastic and Machine Learning Models in Wind Speed Forecasting. Appl. Sci. 2025;15(7):3543.
16. Sheehan H., Poole D.J., Filho S., Bossanyi E. Investigations into Deep Reinforcement Learning for Wind Farm Set-Point Optimisation. Expert Systems with Appl. 2025;282:127627
---
For citation: Bekirov E.A., Voskresenskaya S.N., Bekirov O.S. A Mathematical Model of Reactive Power Absorption and Generation by a Wind Power Plant during Its Parallel Operation with the Grid. Bulletin of MPEI. 2026;2:39—46. (in Russian). DOI: 10.24160/1993-6982-2026-2-39-46
---
Conflict of interests: the authors declare no conflict of interest
