Розмір шрифта:
ПІДВИЩЕННЯ ТОЧНОСТІ ПРОГНОЗУ ВИРОБНИЦТВА ЕЛЕКТРОЕНЕРГІЇ ФОТОЕЛЕКТРИЧНИМИ СТАНЦІЯМИ НА ОСНОВІ МЕТОДУ RANDOM FOREST
Остання редакція: 2024-10-08
Анотація
В роботі було розглянуто метод Random Forest як інструмент для прогнозування генерування фотоелектричних станцій, що є ключовим елементом для оптимізації структури балансу електроенергії в енергосистемі. Фотоелектричні станції характеризуються значною залежністю від метеорологічних умов, що створює складності в точному прогнозуванні їхнього генерування. Використання методу Random Forest дозволяє враховувати численні змінні та складні взаємозв'язки між ними, що підвищує точність прогнозу в умовах значної невизначеності, властивої відновлюваній енергетиці. На основі проведеного дослідження було запропоновано ефективний алгоритм застосування Random Forest, який дозволяє знизити похибки прогнозу. Особлива увага приділяється тому, як модель може адаптуватися до змін у погодних умовах та сезонних варіацій, що є важливими факторами для підтримки стабільної роботи енергосистеми. Результати дослідження демонструють, що застосування методу Random Forest для прогнозування генерування фотоелектричних станцій забезпечує прийнятний рівень точності для планування резервів потужності в енергосистемі. Зокрема, це дозволяє операторам енергосистеми більш ефективно керувати балансом електроенергії, заздалегідь плануючи необхідні резерви потужності в залежності від прогнозованих обсягів генерації відновлюваної енергії. Це особливо важливо для забезпечення стабільності енергосистеми під час пікових навантажень та в умовах зростаючої частки відновлюваних джерел енергії у загальній структурі генерації.
Посилання
1) A. Loureno et al. "Comparison of forecasting models for photovoltaic power generation". Energy Conversion and Management, 118, 2016, 404-418.
2) "Introduction to Machine Learning with Python: A Guide for Data Scientists" by Andreas C. Müller and Sarah Guido (2016)
3) A. C. Cadena et al. "Weather Forecasting for Photovoltaic Power Prediction Using Machine Learning Techniques". Energies, 11(6), 2018, 1362.