Повышение точности прогнозирования генерации фотоэлектрических станций на основе алгоритмов k-средних и k-ближайших соседей

Standard

Повышение точности прогнозирования генерации фотоэлектрических станций на основе алгоритмов k-средних и k-ближайших соседей. / Matrenin, P. V.; Khalyasmaa, A. I.; Gamaley, V. V. и др.
в: Energetika. Proceedings of CIS Higher Education Institutions and Power Engineering Associations, Том 66, № 4, 2023, стр. 305-321.

Результаты исследований: Вклад в журнал › Статья › Рецензирование

BibTeX

@article{3f3f3543e1a540bbbde44f86bce3bda1,

title = "Повышение точности прогнозирования генерации фотоэлектрических станций на основе алгоритмов k-средних и k-ближайших соседей",

abstract = "Возобновляемые источники энергии рассматриваются как средство сниженияуглеродного следа топливно-энергетического комплекса, при этом стохастический характер генерации осложняет их интеграцию с электроэнергетическими системами. Эта существенная трудность обусловливает необходимость создавать и совершенствовать методы прогнозирования генерации электрических станций, использующих энергию солнца, ветра и водных потоков. Наиболее важным направлением, обеспечивающим повышение точности прогнозных моделей, является глубокий анализ метеорологических условий как главного фактора, влияющего на выработку электроэнергии. В данной работе предложен и исследован метод адаптации прогнозных моделей под метеорологические условия работы фотоэлектрических станций на базе алгоритмов машинного обучения. При этом вначале выполняется обучение без учителя методом k-средних для формирования кластеров. Для этой задачи также предложено и исследовано использование алгоритма понижения размерностипространства признаков для визуализации оценки точности кластеризации. Затем для каждого кластера построена своя модель машинного обучения для формирования прогнозов и алгоритм k-ближайших соседей для отнесения текущих условий на этапе эксплуатации модели к одному из сформированных кластеров. Исследование было проведено на почасовых метеорологических данных за период с 1985 по 2021 г. Одной из особенностей этого подхода является кластеризация метеоусловий на часовых, а не суточных интервалах. В результате средний модуль относительной ошибки прогнозирования существенно снижается в зависимости от используемой модели прогнозирования. Для наилучшего варианта ошибка прогнозирования генерации фотоэлектрической станции на час вперед составила 9 %.",

author = "Matrenin, {P. V.} and Khalyasmaa, {A. I.} and Gamaley, {V. V.} and Eroshenko, {S. A.} and Papkova, {N. A.} and Sekatski, {D. A.} and Potachits, {Y. V.}",

year = "2023",

doi = "10.21122/1029-7448-2023-66-4-305-321",

language = "Русский",

volume = "66",

pages = "305--321",

journal = "Energetika. Proceedings of CIS Higher Education Institutions and Power Engineering Associations",

issn = "1029-7448",

publisher = "Белорусский национальный технический университет",

number = "4",

}

RIS

TY - JOUR

T1 - Повышение точности прогнозирования генерации фотоэлектрических станций на основе алгоритмов k-средних и k-ближайших соседей

AU - Matrenin, P. V.

AU - Khalyasmaa, A. I.

AU - Gamaley, V. V.

AU - Eroshenko, S. A.

AU - Papkova, N. A.

AU - Sekatski, D. A.

AU - Potachits, Y. V.

PY - 2023

Y1 - 2023

N2 - Возобновляемые источники энергии рассматриваются как средство сниженияуглеродного следа топливно-энергетического комплекса, при этом стохастический характер генерации осложняет их интеграцию с электроэнергетическими системами. Эта существенная трудность обусловливает необходимость создавать и совершенствовать методы прогнозирования генерации электрических станций, использующих энергию солнца, ветра и водных потоков. Наиболее важным направлением, обеспечивающим повышение точности прогнозных моделей, является глубокий анализ метеорологических условий как главного фактора, влияющего на выработку электроэнергии. В данной работе предложен и исследован метод адаптации прогнозных моделей под метеорологические условия работы фотоэлектрических станций на базе алгоритмов машинного обучения. При этом вначале выполняется обучение без учителя методом k-средних для формирования кластеров. Для этой задачи также предложено и исследовано использование алгоритма понижения размерностипространства признаков для визуализации оценки точности кластеризации. Затем для каждого кластера построена своя модель машинного обучения для формирования прогнозов и алгоритм k-ближайших соседей для отнесения текущих условий на этапе эксплуатации модели к одному из сформированных кластеров. Исследование было проведено на почасовых метеорологических данных за период с 1985 по 2021 г. Одной из особенностей этого подхода является кластеризация метеоусловий на часовых, а не суточных интервалах. В результате средний модуль относительной ошибки прогнозирования существенно снижается в зависимости от используемой модели прогнозирования. Для наилучшего варианта ошибка прогнозирования генерации фотоэлектрической станции на час вперед составила 9 %.

AB - Возобновляемые источники энергии рассматриваются как средство сниженияуглеродного следа топливно-энергетического комплекса, при этом стохастический характер генерации осложняет их интеграцию с электроэнергетическими системами. Эта существенная трудность обусловливает необходимость создавать и совершенствовать методы прогнозирования генерации электрических станций, использующих энергию солнца, ветра и водных потоков. Наиболее важным направлением, обеспечивающим повышение точности прогнозных моделей, является глубокий анализ метеорологических условий как главного фактора, влияющего на выработку электроэнергии. В данной работе предложен и исследован метод адаптации прогнозных моделей под метеорологические условия работы фотоэлектрических станций на базе алгоритмов машинного обучения. При этом вначале выполняется обучение без учителя методом k-средних для формирования кластеров. Для этой задачи также предложено и исследовано использование алгоритма понижения размерностипространства признаков для визуализации оценки точности кластеризации. Затем для каждого кластера построена своя модель машинного обучения для формирования прогнозов и алгоритм k-ближайших соседей для отнесения текущих условий на этапе эксплуатации модели к одному из сформированных кластеров. Исследование было проведено на почасовых метеорологических данных за период с 1985 по 2021 г. Одной из особенностей этого подхода является кластеризация метеоусловий на часовых, а не суточных интервалах. В результате средний модуль относительной ошибки прогнозирования существенно снижается в зависимости от используемой модели прогнозирования. Для наилучшего варианта ошибка прогнозирования генерации фотоэлектрической станции на час вперед составила 9 %.

UR - http://www.scopus.com/inward/record.url?partnerID=8YFLogxK&scp=85173264860

U2 - 10.21122/1029-7448-2023-66-4-305-321

DO - 10.21122/1029-7448-2023-66-4-305-321

M3 - Статья

VL - 66

SP - 305

EP - 321

JO - Energetika. Proceedings of CIS Higher Education Institutions and Power Engineering Associations

JF - Energetika. Proceedings of CIS Higher Education Institutions and Power Engineering Associations

SN - 1029-7448

IS - 4

ER -

ID: 46910155