Результаты исследований: Вклад в журнал › Статья › Рецензирование
Результаты исследований: Вклад в журнал › Статья › Рецензирование
}
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