Опубликован ряд статьей в сборнике Урало-Сибирской конференции "Умные энергосистемы"

(Ural-Siberian Smart Energy Conference, USSEC-2021)

Сотрудники Межкафедральной научно-исследовательской лаборатории обработки, анализа и представления данных в электроэнергетических системах Факультета энергетики НГТУ приняли участие в Урало-Сибирской конференции "Умные энергосистемы", представив свой опыт исследований по нескольким направлениям. Сборник трудов конференции проиндексирован в базах IEEE Xplore и Scopus.

1. Риск-менеджмент в электроэнергетике с учетом новых технологий

В работах рассмотрены новые риски, возникающие для электроэнергетических компаний при цифровизации отрасли. Рассмотрены риски внедрения интеллектуальных систем прогнозирования графиков нагрузки и генерации из-за некорректной интерпретации результатов тестирования регрессионных моделей и недостаточной проработке алгоритмов проверки входных данных на нарушения целостности и доступности. На индустриальных примерах показано, как отсутствие учета рисков может привести к неудачному внедрению информационных систем. А также представлены результаты исследования методов оценки рисков электросетевых компаний с учетом современных рыночных механизмов.

• I. Khalyasmaa, P. V. Matrenin, S. A. Eroshenko. Averaged errors as a risk factor for intelligent forecasting systems operation in the power industry. DOI: 10.1109/USSEC53120.2021.9655742.

https://ieeexplore.ieee.org/document/9655742

• A. I. Khalyasmaa, P. V. Matrenin. Initial data corruption impact on machine learning models' performance in energy consumption forecast. DOI: 10.1109/USSEC53120.2021.9655724.

https://ieeexplore.ieee.org/document/9655724

• S. A. Eroshenko, A. M. Bramm, E. L. Zinovieva, O. S. Vozisova. Power Industry Risk Assessment: Current Practices. DOI: 10.1109/USSEC53120.2021.9655758. https://ieeexplore.ieee.org/document/9655758

2. Математическое и компьютерное моделирование электроэнергетических систем

В работах представлены результаты разработки математических моделей и их программных реализаций для расчетов режимов электрических сетей, планирования и оптимизации работы гидроэлектростанций. Для моделирования использованы как широко распространенный среди специалистов в электроэнергетике комплекс MATLAB Simulink, так и относительно новый инструмент для расчетов режимов – PandaPower, который является свободно распространяемым программным обеспечением с открытым исходным кодом для применения на языке программирования Python.

• S. Mitrofanov, A. Svetlichnaya, A. Arestova, A. Rusina. Development of a Software Module of Intra-Plant Optimization for Short-Term Forecasting of Hydropower Plant Operating Conditions. DOI: 10.1109/USSEC53120.2021.9655723. https://ieeexplore.ieee.org/document/9655723

• A. Cheremnykh, A. Sidorova, A. Rusina. Python - Alternative Tool for Calculating Electric Power Modes of IPS. DOI: 10.1109/USSEC53120.2021.9655761. https://ieeexplore.ieee.org/document/9655761/

• A. A. Achitaev, N. S. Naumkin, A. V. Shirokov, A. Y. Arestova, A. G. Rusina. Renewable Energy Sources as Part of the Auxiliary Network of Small and Micro Hydropower Plants. DOI: 10.1109/USSEC53120.2021.9655752.

https://ieeexplore.ieee.org/document/9655752/

3. Применение методов машинного обучения для прогнозирования и оптимизации в электроэнергетике

Рассматриваются задачи оптимального планирования и управления нагрузкой и режимами работы электроэнергетических объектов. Задачи, требующие учета множества факторов и обработки больших объемов данных, могут быть эффективно решены с помощью методов машинного обучения. В электроэнергетике управление всегда основано на прогнозировании, в работах представлены исследования применения моделей машинного обучения на базе деревьев решения для прогнозирования нагрузки промышленных предприятий и выработки солнечных электростанций.

• P. V. Matrenin, D. V. Antonenkov, V. Z. Manusov. Recurrent and ensemble models for short-term load forecasting of coal mining companies. DOI: 10.1109/USSEC53120.2021.9655732.

https://ieeexplore.ieee.org/document/9655732/

• A.M. Bramm, S.A. Eroshenko Bramm A. Optimal Reconfiguration of Distribution Network with Solar Power Plants. DOI: 10.1109/USSEC53120.2021.9655718. https://ieeexplore.ieee.org/document/9655718/