В соответствии с несколькими приоритетами научно-технологического развития РФ (20 а, б) [1] актуальны результаты данного научного исследования, развивающие интеллектуальные системы солнечной электроэнергетики в Российской Федерации, в том числе для Республики Хакасия, имеющей богатый природный потенциал для увеличения мощности сети солнечных электростанций (величина инсоляции соответствует уровню инсоляции Краснодарского края [2]). Прогноз вырабатываемой электроэнергии солнечной электростанции позволяет эффективно и безопасно управлять электрическими сетями, интегрирующими кластер солнечных электростанций [3]. Штрафные тарифы закупки рынка «сутки вперед» электроэнергии солнечных электростанций, отклоняющейся более чем на 5 % максимальной мощности солнечной электростанции от предоставляемого почасового макета рынка «сутки вперед» вырабатываемой электроэнергии солнечной электростанции, актуализируют повышение точности макета рынка «сутки вперед» путем создания эффективных интеллектуальных систем прогнозирования выработки солнечной электростанции. Нелинейную динамику выработки солнечной электростанции, зависящую от колебаний инсоляции и температуры воздуха линейно и нелинейно соответственно [4], сложно прогнозировать традиционными алгоритмами, в то время как интеллектуальные системы прогнозирования выработки солнечной электростанции в отличие от классических, например интегрированной авторегрессии и т. д., имеют следующие достоинства: допустимую погрешность макета рынка «сутки вперед», оптимальное управление сегментом солнечных электростанций электрических сетей. Интеллектуальные системы, основанные на нейросетях, имеют преимущество параллельных вычислений, в том числе с использованием современных графических процессоров, что значительно снижает временные затраты на обработку больших данных SCADA для прогноза выработки электроэнергии солнечной электростанции [3].

Существующее программное обеспечение (ПО), ориентированное на проектирование солнечных электростанций, выдает примерную среднемесячную вырабатываемую электроэнергию солнечной электростанции для заданной широты и долготы места.

SolarSoft: это ПО для проектирования солнечных электростанций, предлагающее инструменты для моделирования, выполнения расчетов и создания 3D-макета установки [5].

Solar Array Simulator: это ПО, которое позволяет создавать и тестировать макеты солнечных батарей и электростанций в виртуальном пространстве [6].

NREL System Advisor Model (SAM): позволяет проводить технологически сложные моделирования и анализ возможностей солнечных электростанций с учетом географических особенностей, климата и других факторов [7].

Helioscope: это ПО для проектирования солнечных электростанций, которое также обеспечивает возможности для оптимизации и анализа производства энергии [8].

ПО Aurora Solar предоставляет инструменты для оптимизации установки солнечных панелей с учетом тени от окружающих объектов и других факторов, влияющих на производительность солнечных панелей [9].

Средства Photovoltaic Geographical Infor­mation System – Interactive Maps [10] позволяют вычислить среднемесячные значения температуры, солнечной радиации (кВт∙ч/м²) и выработки солнечной электростанции (кВт∙ч), соответствующие широте и долготе местоположения солнечной электростанции.

SolarServer – PV forecast Europe обеспечивает для заданной широты и долготы местности оптимизацию угла установки, ориентации панелей, а также онлайн-прогнозирование выработки солнечной электростанции [11].

PVsyst представляет собой ПО, обладающее широким спектром моделирования различных фотоэлектрических массивов в разных условиях [12].

Clean Power Research – это компания, которая разрабатывает ПО для анализа и оптимизации солнечных электростанций. Ее ПО включают в себя инструменты для прогнозирования производства электроэнергии, оценки эффективности установленных солнечных панелей и оптимизации их размещения [13].

Все описанные выше существующие ПО представляют собой своеобразные калькуляторы прогноза выработки солнечной электростанции на основе теоретической инсоляции и температуры и не ориентированы на краткосрочное прогнозирование на основе фактической инсоляции и температуры, поэтому не могут обеспечить реализацию поставленной цели настоящего исследования. Таким образом, проведенный анализ существующего ПО показал:

В настоящем исследовании разработана, апробирована и реализована как программа для ЭВМ на основе модифицированной нечеткой нейросети с механизмом внимания (МННС) интеллектуальная система непрямого прогнозирования вырабатываемой электроэнергии солнечной электростанции (ИСПВЭСЭ), подробно описанная в работах авторов [14][15]. В нотации UML CASE-средством Microsoft Visio созданы диаграмма классов и блочно-модульная архитектура программы для ЭВМ, реализующей ИСПВЭСЭ. Гибкость и легкую модифицируемость программы для ЭВМ, простоту добавления новых модулей обеспечивает блочно-модульная архитектура.

Апробация способствующей импортозамещению программы для ЭВМ, реализующей ИСПВЭСЭ, отражает ее эффективные, робастные результаты и целесообразность ее применения для построения макетов рынка «сутки вперед». База данных SCADA солнечной электростанции легко интегрируется ИСПВЭСЭ.

Интеллектуальные технологии прогнозирования вырабатываемой электроэнергии солнечной электростанции составляют виртуальную цифровую реальность, обеспечивающую безопасность и эффективность солнечной энергетики, включая ее интеграцию в электрические сети. Описанные в работе авторов [14][15] результаты ИСПВЭСЭ отражают:

Блочно-модульная архитектура разработанной для ЭВМ программы обеспечивает ее гибкость, легкую модификацию имеющихся и добавление вновь разработанных модулей, реализующих вспомогательные методы, например интеграцию с аппаратным обеспечением инвертора и/или бесконтактную верификацию пользователя (описание которых выходит за рамки настоящей статьи). Ядром способствующей импортозамещению программы для ЭВМ, реализующей ИСПВЭСЭ, является модуль МННС. Таким образом, модуль солнечной электростанции можно заменить другим модулем, реализующим, например, ветровую электростанцию. Реализованная CASE-средством Microsoft Visio блочно-модульная архитектура программы для ЭВМ, реализующей ИСПВЭСЭ, состоит из трех модулей (рис. 1). База данных SCADA солнечной электростанции легко интегрируется ИСПВЭСЭ на основе модуля управления данных.

Созданная в нотации UML средствами Microsoft Visio диаграмма классов указанной программы для ЭВМ состоит из 6 классов, имеющих многоуровневую иерархию (рис. 2).

Базовым классом для ИСПВЭСЭ является МННС с методами структурно-параметрического синтеза, диагностического функционирования и масштабированной коррекции.

Средствами программы для ЭВМ, реализующей ИСПВЭСЭ, сгенерированы макеты рынка «сутки вперед» на основе трехлетнего архива табличных данных фактической вырабатываемой электроэнергии Абаканской солнечной электростанции Iht и вектора:

(1)

где Ch t-2-m – индекс ясного неба, lh t – облачность (%),Th t-m – температура воздуха,Pht-m – атмосферное давление,Wht-m и dht-m – скорость и направление ветра соответственно,Tht-m – температура воздуха,m – размер окна прогнозирования, m = = 0..14,361..369, h∈{5,...23}, t∈{370,...,1095}.Кривые фактической и прогнозируемой средствами разработанной для ЭВМ программы выработки Абаканской солнечной электростанции (рис. 3) отражают приемлемую точность (таблица) сгенерированных разработанной программой для ЭВМ макетов рынка «сутки вперед» для последнего месяца архивных табличных данных (1).

Эффективность сгенерированных макетов рынка «сутки вперед» для последнего месяца архива данных (1) оценена как среднеквадратичная ошибка (RMSE) и абсолютная ошибка, диктуемая рынком «сутки вперед» (АER): допустимая погрешность макета рынка «сутки вперед» солнечной электростанции не должна превышать 5 % от ее мощности.

RMSE вычислялась согласно выражению:

(2)

где Pht – прогнозируемая величина выработки солнечной электростанции, Iht – фактическая величина выработки солнечной электростанции.

AER вычислялась согласно выражению:

(3)

Анализ качества непрямого прогноза выработки солнечной электростанции, отраженный в таблице, показывает целесообразность применения программы для ЭВМ, реализующей ИСПВЭСЭ для построения макетов рынка «сутки вперед».

В данном исследовании разработана, апробирована и реализована как программа для ЭВМ ИСПВЭСЭ на основе МННС. Разработаны UML-диаграмма классов и блочно-модульная архитектура программы для ЭВМ, реализующей ИСПВЭСЭ, обеспечивающая гибкость, легкую модификацию имеющихся и добавление вновь разработанных модулей реализованной для ЭВМ программы.

Апробация способствующей импортозамещению программы для ЭВМ, реализующей ИСПВЭСЭ, отражает ее эффективные, робастные результаты и целесообразность ее применения для построения макетов рынка «сутки вперед».