Моделі та методи інформаційної технології оцінки стану мікромереж з відновлюваними джерелами енергії

Abstract

Дисертаційна робота присвячена розв’язанню актуальної науково-прикладної задачі підвищення ефективності підтримки прийняття рішень при управлінні енергетичними мікромережами з відновлюваними джерелами енергії шляхом розроблення моделей та методів інформаційної технології оцінювання функціонального стану мікромереж в умовах невизначеності. У рамках дослідження створено інформаційну технологію, що реалізує системний підхід до автоматизованого аналізу технічного стану мікромереж на основі даних часових рядів. Запропоновано гібридні методи прогнозування споживання, генерації електричної енергії та пікового навантаження на енергетичну мікромережу, удосконалено підходи до обробки та аналізу вхідних даних, реалізовано механізми інтеграції результатів прогнозування із засобами нечіткого логічного виведення для побудови інтерпретованої оцінки технічного стану. Застосування розробленої інформаційної технології дозволяє підвищити точність виявлення критичних сценаріїв функціонування мікромереж, забезпечити адаптивність моделей до мінливих умов, а також сформувати рекомендації щодо керувальних рішень. У першому розділі дисертації здійснено комплексний аналіз сучасного стану впровадження інформаційних технологій у процеси керування енергетичними мікромережами з відновлюваними джерелами енергії. На основі широкого огляду літератури та нормативно-технічних документів висвітлено основні напрями цифровізації енергетики, серед яких провідну роль відіграють технології Інтернету речей, цифрові двійники, хмарні платформи, SCADA- системи та інструменти предиктивного обслуговування. Особливу увагу приділено трансформації енергетичного сектору під впливом декарбонізації, кліматичних викликів і зростання частки ВДЕ, що зумовлює перехід до децентралізованих систем із високим рівнем автономності. Детально проаналізовано архітектуру мікромереж, принципи їхньої побудови та функціонування, а також особливості керування потоками енергії в умовах нестабільної генерації та сезонної варіативності навантажень. Висвітлено підходи до моніторингу стану мікромереж із використанням сенсорних систем, SCADA та IoT-платформ, що дозволяють здійснювати безперервний збір даних, виявляти аномалії та забезпечувати адаптивне управління. Розглянуто сучасні методи прогнозування часових рядів, зокрема ARIMA, SARIMA, ETS, LSTM, BiLSTM, Random Forest та інші, порівняно їхню ефективність у коротко- та середньостроковому горизонті. Систематизовано інструменти підтримки прийняття рішень в умовах невизначеності, серед яких виділено багатокритеріальні методи (AHP, TOPSIS), дерева рішень і нечітку логіку, які забезпечують можливість інтерпретації результатів і обґрунтування керувальних дій. Виявлено, що існуючі інформаційні системи не реалізують функції комплексного оцінювання функціонального стану мікромереж, що обґрунтовує необхідність створення нової адаптивної інформаційної технології, яка інтегрує прогнозну аналітику, інтелектуальні моделі й механізми логічного виведення для забезпечення стійкої роботи енергосистем в умовах збурень і динамічних змін. Другий розділ присвячено формалізації процесів прогнозування параметрів мікромереж із відновлювальними джерелами енергії, з урахуванням їхньої стохастичної природи, сезонної варіативності та чутливості до зовнішніх впливів. У розділі обґрунтовано вибір підходів до побудови моделей на основі часових рядів, визначено методи обробки та трансформації вхідних даних, що включають фільтрацію шумів, масштабування значень, заповнення пропущених спостережень, усунення аномалій, а також побудову ознак за допомогою лагових змінних і декомпозиції трендових та сезонних компонент. Запропоновано функціональну схему обробки даних для забезпечення їх структурованості й готовності до навчання прогнозних моделей. Описано архітектури моделей машинного навчання, орієнтованих на прогнозування генерації електроенергії від фотоелектричних установок, вітрових турбін і акумуляторних систем, із використанням фізико-кліматичних параметрів як предикторів. Продемонстровано ефективність застосування глибоких рекурентних нейронних мереж, зокрема LSTM та Bidirectional LSTM, для врахування часових залежностей і нелінійних зв’язків між змінними. Окрему увагу приділено прогнозуванню споживання електричної енергії для різних категорій користувачів мікромереж – побутових, промислових, інфраструктурних і комерційних. Реалізовано підхід до класифікації типів споживачів на основі профілів навантаження, часової структури даних та характеру зовнішніх впливів. Для кожної категорії побудовано окремі моделі з урахуванням специфічних вхідних ознак, що дозволило підвищити точність прогнозування на різних часових інтервалах. Проведено валідацію нейромережевих моделей на реальних даних, що дозволяє оцінити їхню точність та придатність до застосування в рамках запропонованої інформаційної технології. Третій розділ присвячено розробці методів прогнозування пікового споживання електроенергії та оцінювання функціонального стану енергетичних мікромереж. Обґрунтовано потребу в своєчасному виявленні дефіцитів електроенергії для запобігання порушенням балансу потужності за умов інтеграції відновлювальних джерел. Запропоновано метод визначення пікових навантажень на основі аналізу часових рядів, що дозволяє локалізувати критичні режими в межах доби, та прогнозну модель на основі рекурентної нейронної мережі типу LSTM, яка демонструє високу точність прогнозування навантажень. У межах задачі оцінювання стану мікромереж розроблено формалізований підхід до представлення сценаріїв функціонування з урахуванням генерації, споживання та накопичення енергії. На основі сформованих ознак реалізовано систему нечіткого логічного виведення типу Мамдані, яка здійснює класифікацію поточного стану як «стабільний», «ризикований» або «дефіцитний». Запропоновано логіку реагування на виявлені стани та сформовано набір керувальних дій, що включають корекцію графіків, керування зарядом накопичувачів і використання резервних джерел. Експериментальні результати підтверджують ефективність і практичну придатність розробленого підходу. Четвертий розділ дисертації присвячено побудові та реалізації інформаційної технології оцінювання функціонального стану енергетичних мікромереж. Ключовим елементом запропонованої технології є моделі прогнозування енергоспоживання та генерації, реалізовані на базі двонаправлених рекурентних нейронних мереж, здатних враховувати сезонні коливання і вплив погодних умов. Згенеровані прогнози передаються до підсистеми виявлення пікових навантажень, яка ідентифікує критичні інтервали часу з високою ймовірністю перевантаження. Виходячи з цих даних, система нечіткого логічного виведення оцінює поточний стан мікромережі, класифікуючи його як стабільний, нестабільний або дефіцитний. З метою забезпечення адаптивності реалізовано механізми параметризації моделей, налаштування правил нечіткої логіки та інтеграції з зовнішніми метеосервісами. На основі результатів оцінювання формуються рекомендації щодо керування мікромережею з урахуванням поточного та прогнозованого навантаження. Розроблена інформаційна технологія охоплює повний цикл обробки даних – від сенсорного моніторингу до формування керувальних рішень – та включає модулі збору, нормалізації, прогнозування й аналітики. Значну увагу приділено попередній обробці часових рядів: фільтрації, логарифмуванню, виявленню аномалій, кодуванню ознак і виокремленню трендів. Архітектура аналітичної підсистеми реалізована у мікросервісному середовищі з централізованим API, Redis-брокером, Docker-контейнерами та Kubernetes-оркестрацією. Компоненти взаємодіють асинхронно через REST API з логуванням у стеку ELK, CI/CD-процесами та моніторингом виконання моделей. Апробація результатів дослідження підтверджує ефективність розроблених математичних моделей та технологій для управління мікромережами з відновлювальними джерелами енергії. Запропоновані рішення дозволяють покращити точність прогнозування навантажень, зменшити ризики дефіциту електроенергії та забезпечити більшу стабільність енергетичних систем. Розроблені методи та моделі надають нові можливості для адаптивного управління мікромережами з урахуванням прогнозованого функціонального стану системи, що має ключове значення для підвищення ефективності, надійності та стійкості енергетичної інфраструктури. Своєчасне виявлення критичних режимів, підтримка рішень щодо їх коригування, а також трансформація споживчих сценаріїв і конфігурацій мікромережі дозволяють оперативно реагувати на змінні умови функціонування. Одержані наукові результати дослідження у вигляді математичних моделей, методів та інформаційної технології оцінювання стану мікромереж з відновлювальними джерелами енергії були впроваджені в ТОВ «Андрекс» (м. Суми) для оцінювання стану енергетичної мікромережі промислового комплексу як складової програмного забезпечення енергетичного моніторингу, а також у навчальний процес Сумського державного університету та під час виконання науково-дослідної тематики «Моделі та методи інформаційної технології оцінки стану мікромереж з відновлюваними джерелами енергії»

The dissertation is devoted to solving a relevant scientific and applied problem of improving the efficiency of decision-making support in managing energy microgrids with renewable energy sources by developing models and methods of an information technology for assessing the functional state of microgrids under uncertainty. Within the study, an information technology was created that implements a systems approach to automated analysis of the technical state of microgrids based on time series data. Hybrid methods were proposed for forecasting energy consumption, generation, and peak loads in energy microgrids. Approaches to preprocessing and analysis of input data were improved, and mechanisms were implemented for integrating forecast results with fuzzy inference tools to build interpretable assessments of the technical condition. The application of the developed information technology improves the accuracy of detecting critical operating scenarios, ensures model adaptability to changing conditions, and supports the generation of control decision recommendations. The first chapter provides a comprehensive review of the current state of implementing information technologies in the management of energy microgrids with renewable energy sources. Based on an extensive analysis of scientific literature and regulatory-technical documents, the chapter outlines the main directions of energy digitalization, with particular emphasis on the roles of the Internet of Things, digital twins, cloud platforms, SCADA systems, and predictive maintenance tools. Special attention is given to the transformation of the energy sector driven by decarbonization, climate-related challenges, and the increasing penetration of renewables, which collectively stimulate the transition toward decentralized, autonomous systems. The architecture of microgrids, principles of their design and operation, as well as the specific features of energy flow management under conditions of intermittent generation and seasonal load fluctuations, are thoroughly examined. Approaches to monitoring the microgrid state using sensor networks, SCADA, and IoT platforms are reviewed, enabling continuous data acquisition, anomaly detection, and adaptive control. Furthermore, the chapter analyzes modern time series forecasting techniques—including ARIMA, SARIMA, ETS, LSTM, BiLSTM, Random Forest—and compares their performance in short- and medium-term horizons. Decision support methods under uncertainty are systematized, highlighting multicriteria decision-making techniques (such as AHP and TOPSIS), decision trees, and fuzzy logic, which facilitate interpretability and justification of control strategies. The analysis reveals that current information systems lack mechanisms for comprehensive assessment of the functional state of microgrids, justifying the need for a new adaptive information technology that integrates predictive analytics, intelligent models, and logical inference mechanisms to ensure the resilience of energy systems under dynamic and uncertain conditions. The second chapter is devoted to the formalization of forecasting processes for microgrid parameters, taking into account their stochastic nature, seasonal variability, and sensitivity to external factors. It substantiates the selection of methodological approaches for time series modeling and presents a structured pipeline for data preprocessing that includes noise filtering, value scaling, missing value imputation, anomaly detection, and feature construction through lag variables and trend-seasonality decomposition. A functional data preparation framework is proposed to ensure the readiness of inputs for predictive model training. The chapter details the architectures of machine learning models used to forecast electricity generation from photovoltaic installations, wind turbines, and energy storage systems, employing physical and environmental variables as predictors. The effectiveness of deep recurrent neural networks-particularly LSTM and Bidirectional LSTM – is demonstrated for capturing temporal dependencies and nonlinear interactions among features. Special consideration is given to modeling electricity consumption across distinct categories of microgrid users—residential, industrial, infrastructural, and commercial. A classification-based approach is employed to tailor the modeling process to specific consumption profiles and influencing factors. For each category, customized models are developed with dedicated feature sets, improving prediction accuracy across short-, medium-, and long-term intervals. The validation of these neural network models confirms their suitability for integration into the proposed information technology for intelligent analysis of microgrid behavior. The third chapter focuses on the development of methods for forecasting peak electricity consumption and assessing the functional state of energy microgrids. The necessity of timely detection of electricity deficits to prevent power balance disruptions under renewable energy integration is substantiated. A method is proposed for identifying peak loads using time series analysis, allowing localization of critical daily intervals. An LSTM-based recurrent neural network forecasting model is developed, showing high accuracy in load prediction. Within the task of microgrid state assessment, a formalized approach is proposed for representing operational scenarios based on generation, consumption, and energy storage. A Mamdani-type fuzzy inference system is implemented, classifying current states as “stable,” “risky,” or “deficit.” A logic of response to detected conditions is proposed, along with a set of control actions including schedule adjustments, storage charge control, and use of backup sources. Experimental results confirm the efficiency and practical suitability of the proposed approach. The fourth chapter is devoted to the construction and implementation of the information technology for assessing the functional state of energy microgrids. A key element of the proposed system is forecasting models of energy consumption and generation based on bidirectional recurrent neural networks that account for seasonality and weather influences. Generated forecasts are transmitted to the peak load detection subsystem, which identifies time intervals with high overload risk. Based on this data, a fuzzy inference system evaluates the current microgrid state as stable, unstable, or deficit. To ensure adaptability, mechanisms for model parameterization, fuzzy rule adjustment, and integration with external meteorological services are implemented. Based on the assessment results, recommendations are generated for microgrid management considering current and forecasted load. The developed information technology covers the full data processing cycle–from sensor monitoring to control decision-making–and includes modules for data collection, normalization, forecasting, and analytics. Special attention is given to time series preprocessing: filtering, logarithmic transformation, anomaly detection, feature encoding, and trend extraction. The architecture of the analytical subsystem is implemented in a microservices environment with a centralized API, Redis broker, Docker containers, and Kubernetes orchestration. All components interact asynchronously via REST API, with ELK stack logging, CI/CD pipelines, and model execution monitoring. The approbation of research results confirms the effectiveness of the developed mathematical models and technologies for managing microgrids with renewable energy sources. The proposed solutions improve load forecasting accuracy, reduce the risk of electricity deficits, and enhance the stability of energy systems. The developed methods and models enable adaptive microgrid management based on predicted functional states, which is crucial for improving the efficiency, reliability, and resilience of energy infrastructure. Timely detection of critical modes, support for their correction, and transformation of consumption scenarios and microgrid configurations allow for rapid adaptation to changing operational conditions. The scientific results obtained in the form of mathematical models, methods, and information technology for assessing the state of microgrids with renewable energy sources were implemented at LLC “Andreks” (Sumy) to assess the state of an industrial energy microgrid as part of energy monitoring software, and also integrated into the educational process at Sumy State University within the framework of research topic “Models and methods of information technology for assessing the state of microgrids with renewable energy sources.”