Информационные технологии и цифровизация в российской электроэнергетике
Аннотация. В данной статье освещается трансформация традиционной организации электроэнергетической системы в новую, более технологичную энергосистему. Были представлены необходимые для технологического развития российской электроэнергетической системы. Показаны направления цифровизации секций электроэнергетики.
Ключевые слова: электроэнергетика, надежность, цифровизация, информационные технологии.
Содержание не найдено
Список используемой литературы
1. Энергетической стратегии России на период до 2035 года. Распоряжение Правительства Российской Федерации от 9 июня 2020 г. № 1523-р.
2. Li J., Tao F., Cheng Y., Zhao L. Big Data in Product Lifecycle Management // The International Journal of Advanced Manu¬facturing Technology. 2015. Vol. 81. N 1. P. 1433‒3015.
3. Novikov D. Cybernetics: from Past to Future. Heidelberg: Springer. 2016.
4. Ковалев С.П. Применение онтологий при разработке распределенных автоматизированных информационноизмерительных систем // Автометрия. 2008. Т. 44. № 2. С. 41-49.
5. Воропай Н.И., Стенников В.А. Интегрированные интеллектуальные энергетические системы // Известия РАН. Энергетика. 2014. № 1. С. 64‒78.;
6. Воропай Н.И., Осак А.Б. Электроэнергетические системы будущего // Энергетическая политика. 2014. Вып. 5. С. 60‒63.
7. Hosein S., Hosein P. Load Forecasting using Deep Neural Networks // Proc. of IEEE ISGT Conference. IEEE. 2017. P. 1‒5.
8. Kaytez F. Taplamacioglu M.C., Cam E., Hardalac F. Forecasting Electricity Consumption: A Comparison of Regression Analysis, Neural Networks and Least Squares Support Vector Machines // International Journal of Electrical Power and Energy Systems. May 2015. Vol. 67. P. 431‒438.
9. Бурков В.Н., Губко М.В., Новиков Д.А. Организационные механизмы управления в электроэнергетике / Управление развитием крупномасштабных систем. М.: Изд-во физ.- мат. лит. 2012. С. 261‒278.
10. Гребенюк Г.Г., Ковалев С.П., Крыгин А.А., Середа Л.А. Организация энергоменеджмента и планирование электрической нагрузки домохозяйств // Энергобезопасность и энергосбережение. 2015. № 3. С. 22‒27.
11. Chen T., Su W. Indirect Customer-to-Customer Energy Trading with Reinforcement Learning // IEEE Trans. on Smart Grid (Early Access). 18 July 2018. DOI: 10.1109/ TSG.2018.2857449.
12. Faustine A., Mvungi N.H., Kaijage S., Michael K. A Survey on Non-Intrusive Load Monitoring Methods and Techniques for Energy Disa
Задачи энергосбережения существенно упрощаются с применением методов интеллектуального анализа энергопотребления и векторных измерений [12], позволяющих восстановить детальную картину энергопотребления, построить топологию электрической сети и предсказать ее текущее и будущее состояния по измерениям электрических характеристик в ограниченном числе точек.
Рост точности прогноза потребления позволяет оптимизировать загрузку генерирующего оборудования, снизить потребность в горячем резервировании, уменьшить волатильность балансирующего рынка, что в результате приведет к более стабильным ценам на оптовом рынке электроэнергии.
Применение современных вычислительных технологий и алгоритмов позволяет более эффективно управ