1. ISTCMTM
  2. Всі випуски
  3. Volume 86, no.4, 2025
  4. Масштабований веб-інструмент для оцінки потенціалу вітрової та сонячної енергії й прогнозування генерації

Масштабований веб-інструмент для оцінки потенціалу вітрової та сонячної енергії й прогнозування генерації

ISTCMTM.
2025;
Випуск 86(4), Номер 4
: 7-13
https://doi.org/10.23939/istcmtm2025.04.007
Автори:
  1. Vladyslav Verpeta
  2. Artur Zaporozhets
1
General Energy Institute of the NAS of Ukraine
2
General Energy Institute of National Academy of Sciences of Ukraine

Енергетичний сектор України переживає швидку трансформацію через необхідність відновлення генерувальних
потужностей після масштабних руйнувань інфраструктури та прискореної інтеграції відновлюваних джерел
енергії (ВДЕ). Це підвищує вимоги до точності прогнозування виробництва електроенергії, аналізу потенціалу
та ризиків, а також до зручних, масштабованих інструментів підтримки прийняття рішень. У роботі
представлено GreenPowerAtlas — сучасну веб-платформу для оцінки потенціалу сонячної й вітрової енергії та
коротко- і середньострокового прогнозування генерації. Платформа поєднує історичні супутникові дані (NASA
POWER), чисельні метеопрогнози (Open-Meteo) і локальні станції, підтримує геоінформаційні візуалізації,
експрес-аналітику й експорт даних. Для прогнозування використано ARIMA, LSTM та гібридні підходи, а для
вітрової енергетики — стохастичні моделі на основі розподілу Вейбулла. Наведено архітектуру, приклади
впровадження (зокрема, техніко-економічне обґрунтування в Західній Україні) та отримані покращення
точності/корисності. GreenPowerAtlas готовий до масштабування та практичного використання в плануванні,
диспетчеризації й балансуванні системи.

прогнозування енерговиробництва
відновлювані джерела енергії
фотоелектрична генерація
вітрова енергетика
NASA POWER
Open-Meteo
ARIMA
LSTM
стохастичне моделювання вітру
NWP-прогнози
розосереджена генерація
енергетична аналітика.
  1. What will Ukraine’s electricity mix look like: a forecast to 2030.            [Online]. Available: https://enerhodzherela.com.ua/analityka/Yakym_bude_ukra yinskyy_elektroenerhetychnyy_miks .
  2. Zaporozhets, A.O. (2021). Correlation analysis between the components of energy balance and pollutant emissions. Water, Air, & Soil Pollution, 232, 1−22. https://doi.org/10.1007/s11270-021-05048-9
  3. Komar, V.O., & Semenyuk, Yu.V. (2022, May 31−June 1). Analysis of existing models for forecasting solar insolation, comparing forecasted values with actual insolation values for specific days. LI Scientific and Technical Conference of the Faculty of Electrical Power Engineering and Electromechanics. Vinnytsia National Technical University. Retrieved August 5, 2024 [Online]. Available: https://ir.lib.vntu.edu.ua/bitstream/handle/123456789/40275/ 15939.pdf?sequence=3&isAllowed=y.
  4. Rodrigues, G. C., & Braga, R. P. (2021). Evaluation of NASA POWER reanalysis products to estimate daily weather variables in a hot summer Mediterranean climate. Agronomy, 11(6), 1207.
  5. Gelaro, R., McCarty, W., Suárez, M. J., Todling, R., Molod, A., Takacs, L., Randles, C. A., Darmenov, A., Bosilovich, M. G., Reichle, R., Wargan, K., Coy, L., Cullather, R., Draper, C., Akella, S., Buchard, V., Conaty, A., da Silva, A. M., Gu, W., Kim, G.-K. … Zhao, B. (2017). The modern- era retrospective analysis for research and applications, version 2 (MERRA-2). Journal of Climate, 30(14), 5419–5454. https://doi.org/10.1175/JCLI-D-16-0758.1
  6. MacLachlan, C., Arribas, A., Peterson, K. A., Maidens, A., Fereday, D., Scaife, A. A., Gordon, M., Vellinga, M., Williams, A., Comer, R. E., Camp, J., Xavier, P., & Madec, G. (2015). Global Seasonal Forecast System version 5 (GloSea5): A high‐ resolution seasonal forecast system. Quarterly Journal of the Royal Meteorological Society, 141(689), 1072–1084. https://doi.org/10.1002/qj.2396
  7. Shulzhenko, S., Nechaieva, T., & Leshchenko, I. (2024). The application of the optimal unit commitment problem for the studies of the national power sector development under system risks. In A. Zagorodny, V. Bogdanov, A. Zaporozhets (Eds.), Nexus of Sustainability. Studies in Systems, Decision and Control, 559 (pp. 147−164). Springer, Cham. https://doi.org/10.1007/978-3-031-66764-0_7
  8. Satoh, M., Tomita, H., Yashiro, H., Miura, H., Kodama, Ch., Seiki, T., Noda, A. T., Yamada, Y., Goto, D., Sawada, M., Miyoshi, T., Niwa, Y., Hara, M., Ohno, T., Iga, Sh., Arakawa, T., Inoue, T., & Kubokawa, H. (2014). The non-hydrostatic icosahedral atmospheric model: Description and development. Progress in Earth and Planetary Science, 1(18), 1–32. https://doi.org/10.1186/s40645-014-0018-1
  9. Babak, V.P., Babak, S.V., Eremenko, V.S., Kuts, Yu.V., Myslovych, M.V., Scherbak, L.M., & Zaporozhets, A.O. (2021). Problems and Features of Measurements. Models and Measures in Measurements and Monitoring. Studies in Systems, Decision and Control, 360 (pp. 1−31). Springer, Cham. https://doi.org/10.1007/978-3-030-70783-5_1
  10. Wang K., Qi X., Liu H. Photovoltaic power forecasting based on LSTM-Convolutional Network. Energy. 2019. 189:116225. https://doi.org/10.1016/j.energy.2019.116225.
  11. Liu X., Lin Z., Feng Z. Short-term offshore wind speed forecast by seasonal ARIMA — a comparison against GRU and LSTM. Renewable Energy. 2021. 164: 598–609. https://doi.org/10.1016/j.renene.2020.10.119.
  12. van der Meer D.W., Widén J., Munkhammar J. Review on probabilistic forecasting of photovoltaic power production and electricity consumption. Renewable and Sustainable Energy Reviews. 2018. 81: 1484–1512. https://doi.org/10.1016/j.rser.2017.05.212.
  13. Kumari P., Toshniwal D. Deep learning models for solar irradiance forecasting: A comprehensive review. Journal of Cleaner   Production.   2021.   318:   128566.https://doi.org/10.1016/j.jclepro.2021.128566.
  14. Yang D., Alessandrini S., Antonanzas J. Automatic hourly solar forecasting using machine learning models. Renewable and Sustainable Energy Reviews. 2019. 105: 487–498. https://doi.org/10.1016/j.rser.2019.02.006.
  15. Hong T., Pinson P., Wang Y., Weron R., Yang D., Zareipour H. Energy Forecasting: A Review and Outlook. IEEE Open Access Journal of Power and Energy      2020. 7: 376–388.https://doi.org/10.1109/OAJPE.2020.3029979.
  16. Marinho F.P., Rocha P.A.C., Sousa R.C., Feitosa E.A.N. Short-Term Solar Irradiance Forecasting Using CNN-1D, LSTM, and CNN-LSTM. Journal of Solar Energy Engineering.                     2022.       145(4):    041002. https://doi.org/10.1115/1.4056122.
  17. Zhang T., Stackhouse P.W., Macpherson B., Mikovitz J.C. POWER Release 8: NASA global meteorology and surface solar energy dataset. Earth System Science Data. 2018. 10: 583–593.       https://doi.org/10.5194/essd-10-583-2018. power.larc.nasa.gov
  18. Sparks A.H., Moraga P., Dahinden F. nasapower: A NASA POWER Data Client for R. Journal of Open Source Software. 2018. 3(30): 1035. https://doi.org/10.21105/joss.01035.
  19. Voyant C., Notton G., Kalogirou S.A. Machine learning methods for solar radiation forecasting: A review. Renewable Energy.                             2017.                 105:                 569–82.https://doi.org/10.1016/j.renene.2016.12.095.
  20. Scolari E., De Falco P., Guala A., Manzoni A., Quarteroni A. Short-term wind power forecasting via long short-term memory networks and in-situ measurements. Applied Energy.            2021.       293:         116918. https://doi.org/10.1016/j.apenergy.2021.116918.
  21. Yang D., Perez R., Bosse S., Badescu V., Remund J. Forecasting solar irradiance and photovoltaic power. Solar Energy.  2020.       207:                             565–612. https://doi.org/10.1016/j.solener.2020.06.097.
  22. Huertas-Tato J., Grela J., Manso P., Jiménez-Cano A., Sainz R. Short-term PV power forecasting based on numerical weather predictions by LSTM. Renewable Energy 2021. 170: 1036–1048. https://doi.org/10.1016/j.renene. 2021.02.086