moitvivt Моделирование, оптимизация и информационные технологии Modeling, Optimization and Information Technology 2310-6018 Издательство 10.26102/2310-6018/2024.47.4.006 1713 Аналитическое моделирование многокластерной системы специального назначения на основе нескольких сценариев мониторинга Analytical modeling of a multicluster special purpose system based on several monitoring scenarios Камиль В.А.К. Kamil W.A.K. jameel@inbox.ru aff-1 Кочегаров Максим Викторович Kochegarov Maksim Viktorovich maximilliano@list.ru aff-2 Мутин Денис Игоревич Mutin Denis Igorevich d.i.mutin@mail.ru aff-3 Воронежский государственный университет Voronezh State University Воронежский государственный технический университет Voronezh State Technical University Московский государственный технологический университет «СТАНКИН» Moscow State Technological University "STANKIN" 01 01 2026 1 1 10.26102/2310-6018/2024.47.4.006 Copyright © Авторы, 2026 2026 This work is licensed under a Creative Commons Attribution 4.0 International License

В статье рассмотрена проблема и постановка задачи моделирования оптимального функционирования многокластерной системы специального назначения (МССН), основанная на многосценарном моделировании. Проблемы, связанные с неопределенностью источников и нагрузок в МССН в энергетике, становятся все более очевидными в связи с объединением крупномасштабных возобновляемых источников энергии и многоэнергетических нагрузок. Более того, такие сценарии создают большие проблемы для оптимального функционирования МССН. В качестве объекта исследования рассматривается распределенная МССН в энергетике и предлагается модель функционирования, основанная на многосценарном моделировании, для учета неопределенностей прогнозирования, возникающих в случае распределенной выработки электроэнергии и многоэнергетических нагрузок. Традиционные модели оптимизации работы МССН обычно учитывают только один детерминированный сценарий работы, что может привести к определенным ограничениям стратегий работы. При оптимизации необходимо сбалансировать проблемы с консервативными результатами оптимизации, вызванные экстремальными сценариями, и высокую сложность модели, вызванную большим размером выборки сценария случайной выборки. Для решения вышеуказанных проблем предложена оптимизационная модель, основанная на многосценарном моделировании, для распределенной МССН со стороны нагрузки в многокластерной системе. Оптимизационная модель также применима для учета неопределенностей, связанных с распределенными ветровыми и солнечными источниками энергии, и случайности прогнозирования нагрузки для потребностей в охлаждении, отоплении и электроэнергии.

The article considers the problem and formulation of the task of modeling the optimal functioning of a multicluster special purpose system (MSPS), based on multi-scenario modeling. The problems associated with the uncertainty of sources and loads in the MSPS in the energy sector are becoming increasingly apparent due to the combination of large-scale renewable energy sources and multi-energy loads. Moreover, such scenarios pose great problems for the optimal functioning of the MSPS. The distributed MSPS in the energy sector is considered as an object of research, and a functioning model based on multi-scenario modeling is proposed to account for forecasting uncertainties arising in the case of distributed electricity generation and multi-energy loads. Traditional models for optimizing the work of the MSPS usually take into account only one deterministic work scenario, which can lead to certain limitations of work strategies. When optimizing, it is necessary to balance the problems with conservative optimization results caused by extreme scenarios and the high complexity of the model caused by the large sample size of the random sample scenario. To solve the above problems, an optimization model based on multi-scenario modeling is proposed for a load-side distributed MSPS in a multicluster system. The optimization model is also applicable to account for the uncertainties associated with distributed wind and solar energy sources and the randomness of load forecasting for cooling, heating and electricity needs.

 стохастическое моделирование интегрированная система распределенное функционирование многокластерная система оптимизационная модель прогнозирование нагрузки stochastic modeling integrated system distributed operation multicluster system optimization model load forecasting Исследование выполнено без спонсорской поддержки. The study was performed without external funding. References Leng Q., Chen W.-J., Huang P.-C., Wei Y.-H., Mok A.K., Han S. Network Management of Multicluster RT-WiFi Networks. ACM Transactions on Sensor Networks. 2019;15(1). https://doi.org/10.1145/3283451 Wu C., Zhang X.-P., Sterling M.J.H. Global Electricity Interconnection With 100% Renewable Energy Generation. IEEE Access. 2021;9:113169–113186. https://doi.org/10.1109/ACCESS.2021.3104167 Yan X., Yu H., Liang M. Risk-benefit comparative analysis of different control methods for reservoirs under the water to electricity mode. Journal of Physics: Conference Series. 2024;2836(1). https://doi.org/10.1088/1742-6596/2836/1/012023 Hao L., Hu W., Wang C., Wang G., Sun Y., Chen J., Pan X. Coordinated restoration optimization of power-gas integrated energy system with mobile emergency sources. Global Energy Interconnection. 2023;6(2):205–227. https://doi.org/10.1016/j.gloei.2023.04.008 Reymov K.M., Turmanova G.M., Makhmuthonov S.K., Uzakov B.A. Mathematical models and algorithms of optimal load management of electrical consumers. In: E3S Web of Conferences: Volume 216: Rudenko International Conference "Methodological problems in reliability study of large energy systems" (RSES 2020), 21–26 September 2020, Kazan, Russia. EDP Sciences; 2020. https://doi.org/10.1051/e3sconf/202021601166 Fu X., Guo Q., Sun H., Zhang X., Wang L. Estimation of the failure probability of an integrated energy system based on the first order reliability method. Energy. 2017;134:1068–1078. https://doi.org/10.1016/j.energy.2017.06.090 He C., Liu T., Wu L., Shahidehpour M. Robust coordination of interdependent electricity and natural gas systems in day-ahead scheduling for facilitating volatile renewable generations via power-to-gas technology. Journal of Modern Power Systems and Clean Energy. 2017;5(3):375–388. https://doi.org/10.1007/s40565-017-0278-z Wang C., Gao R., Wei W., Shafie-khah M., Bi T., Catalão J.P.S. Risk-Based Distributionally Robust Optimal Gas-Power Flow With Wasserstein Distance. IEEE Transactions on Power Systems. 2019;34(3):2190–2204. https://doi.org/10.1109/TPWRS.2018.2889942 Li Y., Liu W., Shahidehpour M., Wen F., Wang K., Huang Y. Optimal Operation Strategy for Integrated Natural Gas Generating Unit and Power-to-Gas Conversion Facilities. IEEE Transactions on Sustainable Energy. 2018;9(4):1870–1879. https://doi.org/10.1109/TSTE.2018.2818133 Chen Y., Wen J., Cheng S. Probabilistic Load Flow Method Based on Nataf Transformation and Latin Hypercube Sampling. IEEE Transactions on Sustainable Energy. 2013;4(2):294–301. https://doi.org/10.1109/TSTE.2012.2222680 Ren Z., Yan W., Zhao X., Li W., Yu J. Chronological Probability Model of Photovoltaic Generation. IEEE Transactions on Power Systems. 2014;29(3):1077–1088. https://doi.org/10.1109/TPWRS.2013.2293173 Bahrami A., Teimourian A., Okoye C.O., Khosravi N. Assessing the feasibility of wind energy as a power source in Turkmenistan; a major opportunity for Central Asia's energy market. Energy. 2019;183:415–427. https://doi.org/10.1016/j.energy.2019.06.108

The authors declare that there are no conflicts of interest present.