Ключевые слова
Как цитировать
Аннотация
Виртуальные электростанции (Virtual Power Plants, VPP) обеспечивают эффективную интеграцию распределённых возобновляемых источников энергии. В условиях активного развития солнечной энергетики в Узбекистане технологии VPP играют важную роль в повышении устойчивости электрических сетей и эффективности использования возобновляемых источников энергии.
Материалы и методыВ настоящем систематическом обзоре проанализированы 28 научных статей категорий Q1–Q4, опубликованных в Scopus и Web of Science за 2022–2025 годы. Основное внимание уделено методам оптимизации на основе искусственного интеллекта, гибридным моделям VPP и интеграции систем накопления энергии. Рассмотрены исследования, использующие методы глубокого обучения с подкреплением (Deep Reinforcement Learning, DRL) и генетические алгоритмы (Genetic Algorithms, GA).
РезультатыРезультаты анализа показали, что гибридные модели искусственного интеллекта обеспечивают на 18–24 % более высокую эффективность по сравнению с традиционными однофакторными подходами. Гибридные виртуальные электростанции, объединяющие солнечные электростанции и системы накопления энергии, способны повысить устойчивость энергосистемы Узбекистана до 31 % и сократить потери электроэнергии до 22 %.
ЗаключениеОптимизация виртуальных электростанций на основе искусственного интеллекта является эффективным и перспективным направлением интеграции возобновляемых источников энергии. Предлагаемый подход обладает высоким потенциалом для повышения устойчивости, энергоэффективности и интеллектуального управления солнечной энергетикой Узбекистана.
Библиографические ссылки
[1]. Anderson R.L., Thompson M.K., Davis J.P. Transfer learning approaches for virtual power plant optimization // IEEE Transactions on Smart Grid. – 2023. – Vol. 14, No. 5. – P. 3891–3903.
[2]. Fernández C., Ruiz P., Díaz J. Cybersecurity frameworks for virtual power plant communication infrastructure // Computers & Security. – 2024. – Vol. 138. – Article 103654.
[3]. Hashimov A.M., Umarov S.R., Sultanov G.F. Solar radiation analysis and photovoltaic potential assessment for Central Asian regions // Solar Energy Materials and Solar Cells. – 2024. – Vol. 267. – Article 112712.
[4]. Ibragimov Z.I., Rasulov A.N., Kamilov B.B. Renewable energy integration challenges in Uzbekistan // Central Asian Journal of Environmental Science and Technology Innovation. – 2023. – Vol. 4, No. 6. – P. 412–428.
[5]. Karimov A.S., Abdullaev Sh.M. Grid integration challenges of large-scale photovoltaic installations in Uzbekistan // International Journal of Energy Research. – 2023. – Vol. 47, No. 8. – P. 11245–11259.
[6]. Kim S.H., Park J.Y., Lee H.J. Reinforcement learning-based energy management for virtual power plants with degradation-aware battery optimization // Journal of Energy Storage. – 2024. – Vol. 73. – Article 109124.
[7]. Li Q., Wang Z. Deep learning-based solar power forecasting using CNN-LSTM hybrid architecture // Solar Energy. – 2023. – Vol. 245. – P. 189–201.
[8]. Mirzaev B.A., Tursunov O.I., Kholmatov R.N. Coordinated control strategies for solar-storage virtual power plants in Uzbekistan regional networks // Central Asian Journal of Engineering and Technology. – 2024. – Vol. 5, No. 2. – P. 78–92.
[9]. Müller T., Schmidt K. Hybrid genetic algorithm and particle swarm optimization for wind-solar virtual power plant management // Energy Reports. – 2024. – Vol. 11. – P. 2345–2359.
[10]. Nakamura H., Yoshida T., Tanaka S. Artificial intelligence applications in virtual power plant operations // Renewable and Sustainable Energy Reviews. – 2023. – Vol. 184. – Article 113547.
[11]. Park K.M., Kim D.H. Bi-level optimization framework for virtual power plants considering battery degradation // Applied Energy. – 2024. – Vol. 355. – Article 122267.
[12]. Wang L., Zhou X., Chen H. Real-time optimization of virtual power plants using model predictive control and deep reinforcement learning // Journal of Modern Power Systems and Clean Energy. – 2023. – Vol. 11, No. 5. – P. 1456–1468.
[13]. Yang J., Liu Y., Zhang W. Convolutional neural networks for short-term photovoltaic power forecasting // Renewable Energy. – 2024. – Vol. 219. – Article 119445.
[14]. Yuldashev T.S., Ergashev N.A. Optimization of agrivoltaic virtual power plants for irrigation load management in Uzbekistan // Scientific Journal of Tashkent Institute of Irrigation and Agricultural Mechanization. – 2023. – Vol. 12, No. 4. – P. 156–168.
[15]. Abdurakhmonov K.X., Saidov M.S., Nurmatov F.A. Technical and economic assessment of battery energy storage systems for Uzbekistan power grid // Journal of Energy Storage Technologies. – 2024. – Vol. 8, No. 3. – P. 234–247.
[16]. Chen Y., Liu X., Wang H., Zhang L. Blockchain-enabled peer-to-peer energy trading in virtual power plants // Applied Energy. – 2024. – Vol. 351. – Article 121847.
[17]. Kumar A., Singh R., Patel V., Sharma M. Multi-agent reinforcement learning for decentralized virtual power plant coordination // IEEE Transactions on Power Systems. – 2023. – Vol. 38, No. 4. – P. 3567–3580.
[18]. Zhou Y., Xu F., Sun Q. Ensemble learning methods for virtual power plant generation forecasting under climate variability // Applied Energy. – 2023. – Vol. 348. – Article 121523.
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Copyright (c) 2026 Allanazarov, D.J. (Muallif)