Проект заключается в оказании услуг прогнозирования выработки электроэнергии для владельцев солнечных и ветряных электростанций, с помощью соответствующего веб-приложения. Пользователь предоставляет основные данные по своему объекту генерации - тип, мощность, регион расположения, объемы выработки электроэнергии и т.д. На основе этих данных и информации о погодных условиях из доступных источников проводится обучение модели прогнозирования для данного объекта. Затем, с её помощью, на основе данных из сторонних сервисов - строится прогноз выработки электроэнергии на заданный период. Полученный точный прогноз позволяет владельцу генерации выбрать оптимальную ценовую стратегию для продажи электроэнергии на оптовом рынке, в частности на РСВ, и позволяет увеличить максимальную выручку от реализации электроэнергии, спланировав объемы продажи и цены с учетом ожидаемого объема выработки.
Основными клиентами являются владельцы промышленных солнечных и ветряных электростанций мощностью от 1 МВт, заинтересованные в повышении доходности от продажи электроэнергии за счет оптимизации условий участия на рынке. Согласно информационному обзору СО ЕЭС от сентября 2022 г. потенциальный объем рынка купли/продажи эл. эн. от ВЭС/СЭС в 2019 г. составил 2,087 млрд. руб., в 2020 г. - 4,376 млрд. руб., в 2021 г. - 7,638 млрд. руб. (при цене 1300 руб/МВТч). Согласно перечню ген. объектов на основе ВИЭ, опубликованному на сайте совета рынка на 2022 г. зарегистрировано 69 компаний, которые обеспечивают эксплуатацию более 200 объектов ВИЭ генерации, суммарной мощностью 4149,15 МВт, которые, на момент 01.10.2022 обеспечили выработку 6101,4 млн. кВтч, что, при цене 1,3 руб. за 1 кВтч соответствует практически 8 млрд. руб. потенциальной выручки от продажи электроэнергии (в отчете СО ЕЭС указана выработанная мощность, а не реализованная), а значит 1% ошибки точности прогноза соответствует 80 млн. руб. потерь для участников рынка
Техническая часть
В качестве входных данных используются временные ряды показателей выработки станции, а также метеоданные из различных источников. Эти данные консолидируются и преобразуются с помощью библиотек Pandas, NumPy.
Модель прогнозирования строится на основе градиентного бустинга (LightGBM). Ее гиперпараметры оптимизируются методом GridSearchCV из Scikit-Learn на основе кросс-валидации данных. Целевая метрика - средняя абсолютная процентная ошибка.
Для оценки качества модели также рассчитываются среднеквадратичная ошибка, средняя абсолютная ошибка и другие метрики на тестовом наборе данных.
Обученная модель сохраняется и используется для получения прогнозов выработки. Доступ к модели реализован через REST API средствами FastAPI и удобный веб-интерфейс на базе Streamlit.
