Формирование цифровой модели ветроэнергетической установки в составе цифрового двойника и её апробация на примере оценки эффективности применения ветроустановки в селе Онгурены

Обложка

Цитировать

Полный текст

Аннотация

Актуальность построения цифровых двойников возобновляемых источников энергии (ВИЭ), к которым относятся ветровые электростанции, обусловлена стремительным развитием технологий и необходимостью повышения эффективности эксплуатации энергетических систем. Цифровые двойники позволяют создавать виртуальные модели реальных объектов, что открывает новые горизонты для оптимизации процессов, мониторинга состояния и предсказания функционирования установок. В условиях глобального перехода к устойчивой энергетике важность цифрового моделирования возрастает, так как оно способствует более эффективному использованию ресурсов, снижению затрат и увеличению надежности энергетических систем.

В статье рассматривается процесс формирования цифровой модели ветроэнергетической установки (ВЭУ), который является ключевым элементом в разработке цифрового двойника. В работе описываются основные подходы и методы, применяемые для создания точной виртуальной копии реальной ветроустановки, включая выбор параметров моделирования, таких, как геометрические размеры, материалы и механические свойства, а также определение граничных условий, позволяющих максимально точно воспроизводить особенности эксплуатации.

Особое внимание уделяется характеристикам погодных условий, включая временные ряды скорости ветра, что является критически важным для оценки коэффициента использования установленной мощности ветроустановки. Указанные погодные данные позволяют точно смоделировать реальные условия работы установки и корректировать параметры модели в соответствии с изменяющимися климатическими условиями.

В статье также обсуждаются современные технологии и инструменты, используемые для обеспечения высокой степени соответствия между цифровой моделью и физическим объектом, такие, как системы сбора данных и программное обеспечение для анализа данных. Перспективы применения цифровых двойников в ветроэнергетике подчеркиваются в контексте оптимизации работы установок, прогноза выработки электроэнергии и повышения общей эффективности эксплуатации, что является важным шагом к устойчивому развитию возобновляемых источников энергии.

Полный текст

Введение. Энергетическая отрасль играет ключевую роль в обеспечении жизнедеятельности общества, предоставляя электроэнергию для питания домов, предприятий и других объектов. Её структура включает в себя генерацию, передачу, распределение и потребление электроэнергии. С развитием цифровых технологий и переходом к цифровизации, энергетическая отрасль сталкивается с новыми вызовами и возможностями, такими, как: необходимость адаптации к изменяющимся условиям рынка; потребность в повышении эффективности и надёжности работы энергетических систем; возможность использования новых источников энергии и технологий; необходимость обеспечения безопасности и защиты данных; потребность в подготовке квалифицированных кадров, способных работать в условиях цифровизации.

Одним из перспективных направлений для упрощения адаптации к вышеуказанным трендам является внедрение цифровых двойников. Цифровой двойник (Digital Twin) – это виртуальный прототип реального объекта, с помощью которого можно проводить эксперименты и проверять гипотезы, прогнозировать поведение объекта и решать задачу управления его жизненным циклом. Виртуальный прототип реального объекта, создается на основе совокупности данных об объекте. Эти данные включают рабочие показатели, состояние в текущий момент, историю совершенных действий, режим работы оборудования, программное обеспечение, эксплуатационные условия. После анализа этой информации инженеры могут дать рекомендации по техническому обслуживанию объекта, выявить слабые места и риски, что приводит к снижению аварийности и сбоев [1-3].

Цифровой двойник применяется для решения множества задач, включая моделирование событий, происходящих с оригиналом при определенных обстоятельствах, снижение затрат на внедрение инноваций, уменьшение негативного влияния на окружающую среду, своевременное выявление технических проблем, оценку производительности технологий и оборудования, оптимизацию производственных процессов [4-6]. Цифровые двойники могут применяться на различных объектах энергетики, включая электростанции, сети передачи и распределения электроэнергии, а также системы управления активами. Применение технологии цифровых двойников в возобновляемой энергетике открывает новые горизонты для оптимизации и повышения эффективности работы электростанций и сетевых объектов. Это особенно актуально для ветровой и солнечной энергетики, где погодные условия и время суток оказывают значительное влияние на выработку энергии. Цифровые двойники позволяют моделировать работу станций в различных условиях, предсказывать выработку энергии и оптимизировать режимы работы оборудования. Это способствует снижению затрат на эксплуатацию и техническое обслуживание, а также повышению надежности и безопасности работы энергетических систем.

В основе цифрового двойника лежат два ключевых понятия: цифровая модель и цифровая тень. Цифровая модель представляет собой систему математических и компьютерных моделей, а также электронных документов объекта, описывающую структуру, функциональность и поведение вновь разрабатываемого или эксплуатируемого объекта на различных стадиях его жизненного цикла. Она характеризуется отсутствием автоматического обмена данными между физическим и цифровым объектом. Это означает, что передача данных от физического объекта к цифровому и наоборот осуществляется вручную [7]. Цифровая тень, в свою очередь, возникает, когда между физическим объектом и его цифровым представлением устанавливается однонаправленный автоматизированный поток данных. Изменение физического объекта приводит к изменению его цифрового двойника, но не наоборот [8]. Цифровой двойник объединяет эти два понятия, обеспечивая двусторонний поток данных между физическим и цифровым объектами. Это позволяет проводить анализ и оптимизацию работы физических объектов, используя данные, полученные из их цифровых копий.

В данное время технология цифровых двойников считается одной из самых перспективных, и её активно исследуют и пробуют внедрять, в том числе в области возобновляемой энергетики и ветроэнергетики, в частности, [9-13]. Применение цифровых двойников в ветровой энергетике становится всё более актуальным благодаря их возможностям повышать эффективность и надёжность работы ветровых установок. Они позволяют в реальном времени отслеживать состояние оборудования, прогнозировать его поведение и проводить анализ данных для оптимизации процессов. Цифровые двойники способствуют снижению затрат на обслуживание, так как позволяют заранее выявлять потенциальные неисправности и выполнять прогнозируемое техобслуживание. Кроме того, они играют важную роль в моделировании производительности ветряных парков, что помогает в принятии информированных решений о планировании и развитии новых проектов. Таким образом, внедрение цифровых двойников в ветровую энергетику способствует не только улучшению эксплуатации объектов, но и увеличению доли возобновляемых источников энергии в общем энергетическом балансе [14].

Эта статья направлена на формирование подхода к разработке цифровой модели ветроэнергетической установки для дальнейшего ее использования, как компонента цифрового двойника.

1. Подход к формированию цифровой модели ВЭУ для цифрового двойника. Математические модели позволяют описывать и изучать различные явления и процессы, за счет упрощения сложных систем и представления их в виде математических уравнений. Они используются в науке, технике, экономике и других областях, для формализации технологических процессов различных систем и прогнозирования их поведения, а также для разработки новых технологий и решений.

В рамках данной работы будет представлена детерминистическая модель ВЭУ, основанная на ретроспективных данных о скорости ветра в рассматриваемом регионе (опираясь на конкретные координаты). Модель будет использована для анализа поведения, прогнозирования годовой выработки и определения показателей эффективности функционирования ветровой установки.

1.1. Анализ данных о скорости ветрового потока. Для построения детерминистической модели ветровой установки необходимо проанализировать и усреднить ретроспективные данные о скорости ветрового потока в рассматриваемом регионе. Для иллюстрации предлагаемого подхода рассмотрим село Онгурен, Иркутская область, Ольхонский район, имеющее координаты 53.632079, 107.592075. Ранее в этом населенном пункте имелась гибридная (солнечно-ветровая) электростанция, в связи с чем в свободном доступе имеется большое количество о метеорологических условиях местности. На рисунке 1 представлены данные о скорости ветрового потока в селе Онгурен с 2015 по 2019 год.

 

Рис. 1. Данные о скорости ветрового потока за 2015 – 2019 года

 

Как видно из рисунка, в течении пяти рассматриваемых лет наблюдаются значительные отклонения в скоростях ветра, однако все же прослеживается общая тенденция. В течение года наибольшая скорость ветра наблюдается весной и в период с августа по октябрь. Для дальнейшего анализа усредним данные за 5 лет для получения расчетных значений (рис. 2).

 

Рис. 2. Расчетные значения скорости ветрового потока в течение года на высоте 10 м (высота метеостанции)

 

Как видно из рисунка 2, село Онгурен является маловетреным, средняя скорость ветра в течение года варьируется от 1,5 до 3 м/с. С учетом того, что в среднем для запуска ВЭУ необходима скорость ветра 3 м/с, можно сделать вывод о низкой эффективности установки ветровой электростанции в рассматриваемом районе, однако для более корректного анализа необходимо провести пересчет скорости ветрового потока на высоте метеорологической станции на высоту ветровой установки. Для пересчета будем использовать следующую формулу [15]:

Vh=V0·hh0α, (1)

где Vh (м/с) – искомая скорость ветрового потока на высоте h (м); V0 (м/с) – средняя скорость ветрового потока на высоте метеорологической станции h0 (м); α – коэффициент, зависящий от типа рассматриваемой местности.

Безразмерный коэффициент α может принимать значения от 0,14 до 0,4 в зависимости от анализируемой местности. Для крупных городов рекомендуется принимать значения от 0,33 до 0,4, для пригородов – от 0,22 до 0,28. Для дальнейших расчетов зададимся высотой ветровой установки в 50 м и коэффициентом α=0,2, соответствующим равнинной местности [15].

Полученные значения отражены на рисунке 3. Среднегодовое значение скорости ветрового потока равно 3 м/с, что все еще соответствует низкому ветровому потенциалу, однако в данном случае имеет смысл рассмотреть установку ВЭУ и оценить показатели эффективности ее функционирования.  

 

Рис. 3. Расчетные значения скорости ветрового потока в течении года на высоте 50 м (высота ветровой установки)

 

1.2. Математическое описание ветровой установки. Для дальнейших расчетов необходимо выбрать ветровую установку, так как в зависимости от типа лопастей, высоты и наличия поворотных механизмов у различных ВЭУ имеются различные кривые развиваемой мощности. Кривые развиваемой мощности ВЭУ представляют собой графики зависимости мощности, вырабатываемой установкой, от скорости ветра. Эти кривые позволяют определить максимальную мощность, которую может производить установка при различных скоростях ветра, а также ее общую производительность за определенный период времени. Для упрощения визуализации будем рассматривать ВЭУ номинальной мощностью 100 кВт с типовой кривой развиваемой мощности (рис. 4).

 

Рис. 4. Кривая развиваемой мощности ВЭУ

 

В зависимости от типа используемой ВЭУ форма кривой может различаться – при достижении максимально допустимой скорости ветра кривая либо резко обрывается (ВЭУ отключается), как на рисунке 4, либо мощность достаточно резко снижается до нуля (лопасти ВЭУ опускаются, и она отключается).

Как видно из рисунка, кривую можно разделить на три интервала: при скорости ветра до 2 м/с ВЭУ не функционирует, с 2 до 10 м/с ВЭУ разгоняется до максимальной скорости вращения и набирает мощность до номинальной, с 10 м/с и выше – работает равномерно с номинальной мощностью. В связи с этим для увеличения точности расчетов выполним кусочную аппроксимацию данной кривой.

При кусочной аппроксимации для каждого интервала необходимо получить уравнение, отображающее зависимость между скоростью ветрового потока и вырабатываемой мощностью. Для первого и третьего интервалов вырабатываемая мощность не зависит от скорости ветра и определяется как 0 кВт и 100 кВт соответственно. Для второго интервала необходимо выполнить аппроксимацию имеющегося массива точек. Произведем сравнение по средней ошибке различных типов аппроксимации для выбора наиболее корректного варианта: линеаризация, аппроксимация полиномами 2, 3, 4 и 5 порядка.

Среднюю ошибку аппроксимации ε (%) будем вычислять, как среднее значение всех отклонений расчетной мощности Pcalc i (кВт) от реальной Preal i (кВт), помноженной на КПД установки в рассматриваемой точке. В данном случае КПД определяется, как отношение реальной мощности в данной точке к номинальной мощности ВЭУ Pnom (кВт).

ε=i=1nPreal iPcalc i·Preal iPnomn, (2)

Сведем в таблицу 1 сравнение всех вариантов аппроксимации.

 

Таблица 1. Сравнение вариантов аппроксимации кривой развиваемой мощности ВЭУ

Вариант аппроксимации

Полученная зависимость

Средняя ошибка аппроксимации  (%)

Линейная

P=13,635V41,614

8,90

Полином 2 порядка

P=1,401V23,180V0,510

3,64

Полином 3 порядка

P=0,210V3+5,175V223,351V+29,935

2,69

Полином 4 порядка

P=0,126V4+2,814V319,971V2+60,675V62,732

1,97

Полином 5 порядка

P=0,037V5+0,982V49,724V3+46,147V299,616V+78,123

2,28

 

Как видно из таблицы 1, наименьшую среднюю ошибку дает полином 4 порядка, а значит принимаем его для дальнейших расчетов (рис 5).

 

Рис. 5. Аппроксимация кривой развиваемой мощности ВЭУ методом сплайнов

 

Таким образом, запишем уравнение зависимости мощности ВЭУ от скорости ветрового потока в следующем виде:

P=00,126V4+2,814V319,971V2+60,675V62,732100    0V<22<V<10V10(3)

2. Расчет годовой выработки ветроэнергетической установки и показателей эффективности ее работы. Расчет годовой выработки ВЭУ производится за счет соотнесения почасовых значений скоростей ветрового потока с аппроксимированной кривой развиваемой мощности ВЭУ. Таким образом, мы получаем следующий набор данных, отображенный на рисунке 6. Как видно из рисунка, максимальная доступная мощность для данного региона составляет порядка 70 кВт. Средняя же генерируемая мощность равна 4,36 кВт, а прогнозная генерация электроэнергии за год составляет 38 244,5 кВт*ч.

 

Рис. 6. Годовая выработка ВЭУ

 

Для анализа эффективности работы ветровой электростанции рассчитаем ее коэффициент использования установленной мощности (КИУМ). КИУМ показывает, насколько эффективно используется генерирующая мощность оборудования или установки в течение определенного периода времени. Этот показатель обычно выражается в процентах. Высокие значения КИУМ означают, что оборудование используется эффективно и с минимальными потерями энергии. Низкие значения указывают на необходимость оптимизации работы оборудования или изменения производственной стратегии.

Для определения КИУМ необходимо знать следующие параметры:

Установленная мощность оборудования (Pуст). Это максимальная мощность, которую может выдать оборудование при оптимальных условиях работы. В рамках этой части работы установленная мощность ВЭС равна номинальной мощности ВЭУ, так как для упрощения расчетов, визуализирующих предлагаемый метод моделирования, рассматривается установка только одной ВЭУ.

Среднее значение мощности, вырабатываемой за год (Pср за год). Это отношение количества энергии, произведенного за год, к количеству часов в году.

Тогда КИУМ можно рассчитать по формуле:

КИУМ= PфактPуст·100%, (4)

Важно отметить, что КИУМ может изменяться в зависимости от времени суток, сезона, погодных условий и других факторов. Поэтому для получения более точной информации об эффективности использования оборудования необходимо проводить измерения и расчеты за длительный период времени. В связи с этим в данном исследовании КИУМ будет определяться, как соотношение среднего значения мощности, вырабатываемой за год (Pср за год), к установленной мощности ВЭС (формула 5). Это позволит учесть изменения скорости ветра в течение года и усреднить получаемое значение КИУМ.

КИУМ= Pср за годPуст·100%

Для ветровых электрических станций КИУМ может достигать значений до 40%, однако в среднем эффективными можно считать электростанции, чей КИУМ составляет от 20% и выше. Это в первую очередь связано со стохастическим характером скорости ветрового потока и его направления.

Используя вышеприведенный подход, определяем, что для ветровой установки в селе Онгурен КИУМ составляет 4,36%, что является очень низким даже по меркам возобновляемой генерации. В связи с этим установки ВЭУ в качестве источника энергии в данном регионе не рекомендуется.

Заключение. Использование возобновляемых источников энергии является одним из наиболее значимых трендов в области энергетики. Возобновляемая энергетика предлагает множество преимуществ, включая экологическую чистоту, экономическую выгоду и снижение зависимости от ископаемых видов топлива. Это особенно актуально в контексте глобальных экологических проблем, таких, как изменение климата и загрязнение окружающей среды.

Использование цифровых двойников в возобновляемой энергетике улучшает работу электростанций и сетевых объектов. Особенно это полезно для ветровой и солнечной энергетики, где погодные условия влияют на выработку энергии. Цифровые двойники помогают моделировать работу станций, предсказывать выработку энергии и оптимизировать режимы работы оборудования, что снижает затраты на эксплуатацию и техническое обслуживание, а также повышает надёжность и безопасность энергетических систем. Для построения цифрового двойника объекта необходимо грамотно реализовать его математическую и цифровую модели. В связи с этим в данной работе предлагается подход к построению цифровой модели ветровой электростанции.

Предложенный метод математического моделирования ветровых установок позволяет прогнозировать генерацию электрической энергии на основании усредненных значений ретроспективных данных скорости ветрового потока. При замене ретроспективных данных на реальные полученную математическую модель можно использовать для построения цифрового двойника ВЭУ.

Благодарности. Исследование выполнено за счет гранта Российского научного фонда № 23-21-00382, https://rscf.ru/project/23-21-00382/

×

Об авторах

Виктория Михайловна Щукина

Иркутский национальный исследовательский технический университет

Автор, ответственный за переписку.
Email: vitapiskunova98@gmail.com
ORCID iD: 0000-0003-4019-8472
SPIN-код: 6951-4829

Аспирант, ассистент кафедры теплоэнергетики

Россия, Иркутск

Никита Игоревич Щукин

Институт систем энергетики им. Л.А. Мелентьева СО РАН

Email: niksha14@mail.ru
ORCID iD: 0000-0001-8331-335X
SPIN-код: 6038-0410

Инженер-исследователь отдела систем искусственного интеллекта в энергетике

Россия, Иркутск

Список литературы

  1. Гончаров А.С. Цифровой двойник: обзор существующих решений и перспективы развития технологии. /А.С. Гончаров, В.М. Саклаков // Cборник трудов Всероссийской научно-практической конференции, 2018. ‒ URL: https://elibrary.ru/item.asp?id=36585718.
  2. Aaron Parrott, Lane Warshaw Industry 4.0 and the digital twin technology. Deloitte Insigts Manufacturing meets its match, 2017, ‒ URL:https://www2.deloitte.com/content/www/xe/en/insights/focus/industry-4-0/digital-twin-technology-smart-factory.html
  3. Боровков А.И. Цифровые двойники: определение, подходы и методы разработки / А.И. Боровков, Ю.А. Рябов // Цифровая трансформация экономики и промышленности: Сборник трудов научно-практической конференции с зарубежным участием, Санкт-Петербург, 20–22 июня 2019 года / Под редакцией А.В. Бабкина. – Санкт-Петербург: Федеральное государственное автономное образовательное учреждение высшего образования “Санкт-Петербургский политехнический университет Петра Великого”, 2019. – С. 234-245. – EDN ZUPIWC.
  4. Сосфенов Д.А. Цифровой двойник: история возникновения и перспективы развития / Д.А. Сосфенов // Интеллект. Инновации. Инвестиции, 2023. – №4. – doi: 10.25198/2077-7175-2023-4-35.
  5. Царев М.В. Цифровые двойники в промышленности: история развития, классификация, технологии, сценарии использования / М.В. Царев, Ю.С. Андреев // Известия вузов. Приборостроение, 2021. – Т. 64. – № 7. – 517-531.
  6. Menegon L., Isatto E.J. Digital twins as enablers of structure inspection and maintenance. Gestão & Produção, 2023, 30, e4922, doi: 10.1590/1806-9649-2022v30e4922.
  7. ГОСТ Р 57700.37-2021. Компьютерные модели и моделирование. Цифровые двойники изделий. Общие положения.
  8. Анохов И.В. Цифровая тень как инструмент для исследования отрасли / И.В. Анохов // E-Management, 2022. – Т. 5. – №1. – С. 80-92. – doi: 10.26425/2658-3445-2022-5-1-80-92
  9. Pimenta F., Pacheco J., Branco C.M. et al. Development of a digital twin of an onshore wind turbine using monitoring data. Journal of physics: conference series, 2020, 1618, 022065, doi: 10.1088/1742-6596/1618/2/022065
  10. Jahanshahi Zeitouni M., Parvaresh A., Abrazeh S. et al. Digital twins-assisted design of next-generation advanced controllers for power systems and electronics: wind turbine as a case study. Inventions, 2020, 5(2), 19, doi: 10.3390/inventions5020019.
  11. Chetan, M., Yao, S., Griffith, D. T. Multi‐fidelity digital twin structural model for a sub‐scale downwind wind turbine rotor blade. Wind energy, 2021, doi: 10.1002/we.2636.
  12. Merz K., Chabaud V., Garsia Rosa P.B. et al. A hierarchical supervisory wind power plant controller // Journal of physics: Conference serie, 2018, doi: 10.1088/1742-6596/2018/1/012026.
  13. Solman H., Kirkegaard J.K., Smits M. et al. Digital twinning as an act of governance in the wind energy sector. Environmental science & policy, 2022, vol. 127, pp. 272-279, doi: 10.1016/j.envsci.2021.10.027.
  14. Obafemi O., Adedeji P.A., Madushele N. et al. Overview of digital twin technology in wind turbine fault diagnosis and condition monitoring. 2021 IEEE 12th International conference on mechanical and intelligent manufacturing technologies, 2021, pp. 201-207, doi: 10.1109/ICMIMT52186.2021.9476186.
  15. Поддаева О.И. Архитектурно-строительная аэродинамика / О.И. Поддаева. – М.: НИУ МГСУ, 2015. – 88с.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
2. Рис. 1. Данные о скорости ветрового потока за 2015 – 2019 года

Скачать (362KB)
3. Рис. 2. Расчетные значения скорости ветрового потока в течение года на высоте 10 м (высота метеостанции)

Скачать (248KB)
4. Рис. 3. Расчетные значения скорости ветрового потока в течении года на высоте 50 м (высота ветровой установки)

Скачать (263KB)
5. Рис. 4. Кривая развиваемой мощности ВЭУ

Скачать (85KB)
6. Рис. 5. Аппроксимация кривой развиваемой мощности ВЭУ методом сплайнов

Скачать (131KB)
7. Рис. 6. Годовая выработка ВЭУ

Скачать (178KB)

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».