ВИКОРИСТАННЯ МАШИННОГО НАВЧАННЯ ТА МЕРЕЖЕВИХ НАБОРІВ ДАНИХ ДЛЯ МОДЕЛЮВАННЯ ЕНЕРГОСИСТЕМ
DOI:
https://doi.org/10.36994/2788-5518-2024-01-07-05Ключові слова:
машинне навчання, аналіз мережевих даних, електричні мережі, інтелектуальні енергосистеми, моделювання енергетичних процесів, прогнозування попиту та пропозиції, оптимізація мережАнотація
Світова енергетика останнім часом зазнає суттєвих змін, у тому числі завдяки тенденціям переходу на відновлювані джерела електроенергії, потребам у більш розподіленій генерації та підвищенні надійності електромереж. Ця стаття презентує дослідження основних завдань у галузі моделювання енергомереж, для вирішення яких доцільне використання методів машинного навчання. У ній розглядається, як машинне навчання може сприяти оптимізації функціонування мереж і відігравати ключову роль у модернізації енергетики та забезпеченні більш стабільного процесу переходу до децентралізованої архітектури енергосистеми. Стаття охоплює широкий спектр питань, пов’язаних із застосуванням машинного навчання в енергосистемах, включно з аналізом задач оптимального розподілу потужності, оцінкою стану системи, прогнозуванням попиту та генерації тощо. Також досліджуються різні типи даних, що використовуються для навчання моделей, і сформовано практичні поради щодо їх обробки. Наведено сценарії застосування й категоризацію різних методів машинного навчання, такі як навчання з учителем, без учителя та навчання з підкріплення. Крім того, розглядаються гібридні підходи, які поєднують машинне навчання з класичними фізичними моделями, забезпечуючи при цьому більшу ефективність і стабільність. Наостанок у статті наводиться аналіз одного з найбільших мережевих наборів даних від GridKit, у рамках якого проведено моделювання загальноєвропейської високовольтної мережі щодо особливостей її структури та зв’язків. На основі результатів також виділено перспективні напрями майбутніх досліджень із використанням методів машинного навчання, таких як великі мовні моделі та графові нейронні мережі. Загалом ця стаття є багатостороннім аналізом важливих задач моделювання енергетичної галузі, актуальних наборів даних і моделей машинного навчання та може використовуватися для подальшого вдосконалення інтелектуальних енергетичних систем.
Посилання
Sinsel, S.R., Riemke, R.L., & Hoffmann, V.H. (2020). Challenges and solution technologies for the integration of variable renewable energy sources – a review. Renewable Energy, 145, 2271–2285. DOI: https://doi.org/10.1016/j.renene.2019.06.147.
Lee, S., Seon, J., Hwang, B., Kim, S., Sun, Y., & Kim, J. (2024). Recent Trends and Issues of Energy Management Systems Using Machine Learning. Energies, 17, 624. DOI: https://doi.org/10.3390/en17030624.
Shen, T., Li, Y., & Xiang, J. (2018). A Graph-Based Power Flow Method for Balanced Distribution Systems. Energies, 11, 511. DOI: https://doi.org/10.3390/en11030511.
Huang, W.-T., & Yang, W.-C. (2011). Power flow analysis of a grid-connected high-voltage microgrid with various distributed resources. In Proceedings of the 2011 International Conference on Materials and Applications for Communications and Electronics (MACE). DOI: https://doi.org/10.1109/MACE.2011.5987225.
ScienceDirect. Optimal power flow. [Електронний ресурс]. Режим доступу: https://www.sciencedirect.com/topics/engineering/optimal-power-flow.
Stiasny, J., & Chatzivasileiadis, S. (2023). Physics-informed neural networks for time-domain simulations: Accuracy, computational cost, and flexibility. Electric Power Systems Research, 224, Article 109748. DOI: https://doi.org/10.1016/j.epsr.2023.109748.
Vijaychandra, J., Prasad, B. R. V., Darapureddi, V. K., Rao, B. V., & Knypiński, Ł. (2023). A review of distribution system state estimation methods and their applications in power systems. Electronics, 12 (3), 603. DOI: https://doi.org/10.3390/electronics12030603.
Ledesma, P., Arredondo, F., & Moreno, M. Á. (2023). Adapting ENTSO-E network data for power system simulation. In 2023 IEEE International Conference on Environment and Electrical Engineering and 2023 IEEE Industrial and Commercial Power Systems Europe (EEEIC / I&CPS Europe) (pp. 1–5). DOI: https://doi.org/10.1109/EEEIC/ICPSEurope57605.2023.10194624.
Li, J., Chen, Z., Cheng, L., & Liu, X. (2022). Energy data generation with Wasserstein deep convolutional generative adversarial networks. Energy, 257, 124694. DOI: https://doi.org/10.1016/j.energy.2022.124694.
Benti, N.E., Chaka, M.D., & Semie, A.G. (2023). Forecasting renewable energy generation with machine learning and deep learning: Current advances and future prospects. Sustainability, 15 (7), 7087. DOI: https://doi.org/10.3390/su15097087.
Zhou, L., Zhang, Y., Liu, S., Li, K., Li, C., Yi, Y., & Tang, J. (2020). Consumer phase identification in low-voltage distribution network considering vacant users. International Journal of Electrical Power & Energy Systems, 121, 106079. DOI: https://doi.org/10.1016/j.ijepes.2020.106079.
Tesla. Autobidder. [Електронний ресурс]. Режим доступу: https://www.tesla.com/support/energy/tesla-software/autobidder.
Cao, D., et al. (2020). Reinforcement learning and its applications in modern power and energy systems: A review. Journal of Modern Power Systems and Clean Energy, 8 (6), 1029–1042. DOI: https://doi.org/10.35833/MPCE.2020.000552.
GridKit: European and North-American extracts. [Електронний ресурс]. Режим доступу: https://zenodo.org/records/47317.
Lin, C., et al. (2023). Knowledge graph completion for power grid main equipment using pretrained language models. In D. S. Huang, P. Premaratne, B. Jin, B. Qu, K. H. Jo, & A. Hussain (Eds.), Advanced Intelligent Computing Technology and Applications. ICIC 2023. Lecture Notes in Computer Science (Vol. 14089). Springer. DOI: https://doi.org/10.1007/978-981-99-4752-2_68.
Beinert, D., Holzhüter, C., Thomas, J.M., & Vogt, S. (2023). Power flow forecasts at transmission grid nodes using graph neural networks. Energy and AI, 14, 100262. DOI: https://doi.org/10.1016/j.egyai.2023.100262.
