50
электротехническом рынке.
Для
формирования
пула
информации
поиск
предполагается
осуществлять
одновременно
из
нескольких
источников.
Реализация
алгоритма
предполагается посредствам разработки программы
самообучающейся
нейронной
сети,
позволяющей
проводить поиск информации по свободным каналам
данных сети интернет. Также в качестве дополнительного
источника информации предполагается реализация
краудсорсингового канала в виде контекстной рекламы в
сети интернет.
Блок-схема предложенного алгоритма представлена на
Рис. 1.
На следующем этапе полученная с помощью
автоматизированного
сбора
информация
будет
верифицирована и структурирована для дальнейшего
применения.
.
Начало
Техническое задание
Климат
Краудсорсинг
Формирование базы данных о месте размещения
Тип энергетической установки
Вид энергетической установки
Номинальная мощность генератора
Выборка информации о составе вспомогательного
оборудования
Информация о месте
размещения
Информация о технологическом
оборудовании системы
Средние
температуры
Уровни инсоляции
Ветровые
нагрузки
Продолжительнос
ть светового дня
Энергетическая
инфраструктура
Удаленность от
ЕЭС
Удаленность от
топливной
инфраструктуры
(газ, нефть)
ГРП и
нефтепровод
Наблюдения гидрометцентров
Данные ПАО Россети,
РОСИНФРА,ПАО Газпром и
пр. инф. в свободном доступе
Распред. сети
Топология
Характеристики
потребителей
Наличие
генераторов
Формирование базы данных о генерирующих установках
Паспортные характеристики/
Фактические характеристики
(испыт./эксплуатации)
Рис. 1 – Блок-схема алгоритма сбора данных
V.
З
АКЛЮЧЕНИЕ
Проведен анализ существующих методов определения
оптимальных параметров источников РГ.
Рассмотрены технологии
Big Data
и возможности их
применения для решения задачи оптимизации параметров
источников РГ на основе ВИЭ при интеграции в
интеллектуальные электроэнергетические системы.
Предложен алгоритм автоматизированного сбора
информации, представляющий собой первый этап
реализации подхода к оптимизации интеллектуальных
систем с РГ на основе ВИЭ.
В
качестве
дальнейшего
развития
работы
предполагается разработка алгоритма оптимизации
выбора типа и параметров источников РГ на основе
анализа
информации,
полученной
посредствам
применения технологий
Big Data
.
Список литературы
[1]
Энергетическая стратегия Российской Федерации на период до
2035 года от 13 февраля 2019 г. № 207-р.
[2]
Трачук А.В., Линдер Н.В. Технологии распределенной генерации:
эмпирические оценки факторов применения. Стратегические
решения
и
риск-менеджмент.
2018;
(1):
32-48.
[3]
Распределенная энергетика в России: потенциал развития/ А.
Хохлов [и др.]. – М.: Энергетический центр Московской школы
управления СКОЛКОВО, 2018. – с.75
[4]
Елистратов В.В., Федоров М.П. Автономное энергоснабжение
территорий РФ энергокомплексами на основе традиционных и
возобновляемых источников энергии: Мат. REENFOR-2014. —
М.:
ОИВТ
РАН,
2014.
[5]
И. Л. Майков, Л. Б. Директор, “Решение задач оптимизации и
управления гибридными энергетическими комплексами в
структуре распределенной генерации”, УБС, 35 (2011).
[6]
В.Н. Костин: Оптимизационные задачи электроэнергетики:
учебное пособие. – СПб.: СЗТУ, 2003 – 120 с
[7]
RETScreen Clean Energy Management Software [Электронный
ресурс].
-
URL:
-
publications/tools/modelling-tools/retscreen/7465 (дата обращения
24.04.2021).
[8]
HOMER
Energy
[Электронный
ресурс].
-
URL:
(дата обращения 24.04.2021).
[9]
Круминь С. А., Юрчак А. В. Использование технологий Big Data
в энергетике// Материалы 12-ой международной молодежной
научно-технической
конференции
«СОВРЕМЕННЫЕ
ПРОБЛЕМЫ
РАДИОЭЛЕКТРОНИКИ
И
ТЕЛЕКОММУНИКАЦИЙ "РТ - 2016"», 2016.
[10]
The power of big data [Электронный ресурс]. - URL:
(дата
обращения
24.04.2021).
