ПРОГНОЗУВАННЯ ІНТЕНСИВНОСТІ СОНЯЧНОГО ВИПРОМІНЮВАННЯ НА ОСНОВІ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ
The paper considers short-term forecasting of the intensity of solar radiation in the city of Odessa based on an artificial neural network. The artificial neural network was trained on the experimental data of the ground weather station (Davis 6162EU), which is installed on the roof of the education...
Збережено в:
| Дата: | 2021 |
|---|---|
| Автори: | , , |
| Формат: | Стаття |
| Мова: | Ukrainian |
| Опубліковано: |
Institute of Engineering Thermophysics of NAS of Ukraine
2021
|
| Онлайн доступ: | https://ihe.nas.gov.ua/index.php/journal/article/view/442 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Thermophysics and Thermal Power Engineering |
Репозитарії
Thermophysics and Thermal Power Engineering| id |
oai:ojs2.ihenasgovua.s43.yourdomain.com.ua:article-442 |
|---|---|
| record_format |
ojs |
| institution |
Thermophysics and Thermal Power Engineering |
| baseUrl_str |
|
| datestamp_date |
2021-12-08T07:38:29Z |
| collection |
OJS |
| language |
Ukrainian |
| format |
Article |
| author |
Basok, B.I. Novitska, M.P. Kravchenko, V.P. |
| spellingShingle |
Basok, B.I. Novitska, M.P. Kravchenko, V.P. ПРОГНОЗУВАННЯ ІНТЕНСИВНОСТІ СОНЯЧНОГО ВИПРОМІНЮВАННЯ НА ОСНОВІ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ |
| author_facet |
Basok, B.I. Novitska, M.P. Kravchenko, V.P. |
| author_sort |
Basok, B.I. |
| title |
ПРОГНОЗУВАННЯ ІНТЕНСИВНОСТІ СОНЯЧНОГО ВИПРОМІНЮВАННЯ НА ОСНОВІ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ |
| title_short |
ПРОГНОЗУВАННЯ ІНТЕНСИВНОСТІ СОНЯЧНОГО ВИПРОМІНЮВАННЯ НА ОСНОВІ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ |
| title_full |
ПРОГНОЗУВАННЯ ІНТЕНСИВНОСТІ СОНЯЧНОГО ВИПРОМІНЮВАННЯ НА ОСНОВІ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ |
| title_fullStr |
ПРОГНОЗУВАННЯ ІНТЕНСИВНОСТІ СОНЯЧНОГО ВИПРОМІНЮВАННЯ НА ОСНОВІ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ |
| title_full_unstemmed |
ПРОГНОЗУВАННЯ ІНТЕНСИВНОСТІ СОНЯЧНОГО ВИПРОМІНЮВАННЯ НА ОСНОВІ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ |
| title_sort |
прогнозування інтенсивності сонячного випромінювання на основі штучних нейронних мереж |
| title_alt |
FORECASTING THE INTENSITY OF SOLAR RADIATION BASED ON ARTIFICIAL NEURAL NETWORKS ПРОГНОЗИРОВАНИЕ ИНТЕНСИВНОСТИ СОЛНЕЧНОГО ИЗЛУЧЕНИЯ НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ |
| description |
The paper considers short-term forecasting of the intensity of solar radiation in the city of Odessa based on an artificial neural network. The artificial neural network was trained on the experimental data of the ground weather station (Davis 6162EU), which is installed on the roof of the educational building of the Odessa National Polytechnic University. Modeling, validation, and testing of experimental data were performed using the MATLAB software package, namely Neural Network Toolbox. The Levenberg-Markwatt model is used in this work. The analyzed data set was divided into proportions of 70%, 15%, 15% for neural network training, its validation, and testing, respectively. The results which the trained neural network gave during forecasting within the framework of the database and outside it are given. The deviation between real and forecast data is analyzed. The root-mean-square error on December 26, 2016 was 13.03 W / m2, and on December 27, 2016 - 9.44 W / m2 when forecasting outside the database. Evaluation of the accuracy of an artificial neural network has shown its effectiveness in predicting the intensity of solar radiation. To predict parameters based on artificial neural networks, experimental data that describe a real system are needed. Artificial neural networks, like other approximation methods, have both advantages and disadvantages. |
| publisher |
Institute of Engineering Thermophysics of NAS of Ukraine |
| publishDate |
2021 |
| url |
https://ihe.nas.gov.ua/index.php/journal/article/view/442 |
| work_keys_str_mv |
AT basokbi forecastingtheintensityofsolarradiationbasedonartificialneuralnetworks AT novitskamp forecastingtheintensityofsolarradiationbasedonartificialneuralnetworks AT kravchenkovp forecastingtheintensityofsolarradiationbasedonartificialneuralnetworks AT basokbi prognozirovanieintensivnostisolnečnogoizlučeniânaosnoveiskusstvennyhnejronnyhsetej AT novitskamp prognozirovanieintensivnostisolnečnogoizlučeniânaosnoveiskusstvennyhnejronnyhsetej AT kravchenkovp prognozirovanieintensivnostisolnečnogoizlučeniânaosnoveiskusstvennyhnejronnyhsetej AT basokbi prognozuvannâíntensivnostísonâčnogovipromínûvannânaosnovíštučnihnejronnihmerež AT novitskamp prognozuvannâíntensivnostísonâčnogovipromínûvannânaosnovíštučnihnejronnihmerež AT kravchenkovp prognozuvannâíntensivnostísonâčnogovipromínûvannânaosnovíštučnihnejronnihmerež |
| first_indexed |
2025-12-17T13:55:40Z |
| last_indexed |
2025-12-17T13:55:40Z |
| _version_ |
1851763972611506176 |
| spelling |
oai:ojs2.ihenasgovua.s43.yourdomain.com.ua:article-4422021-12-08T07:38:29Z FORECASTING THE INTENSITY OF SOLAR RADIATION BASED ON ARTIFICIAL NEURAL NETWORKS ПРОГНОЗИРОВАНИЕ ИНТЕНСИВНОСТИ СОЛНЕЧНОГО ИЗЛУЧЕНИЯ НА ОСНОВЕ ИСКУССТВЕННЫХ НЕЙРОННЫХ СЕТЕЙ ПРОГНОЗУВАННЯ ІНТЕНСИВНОСТІ СОНЯЧНОГО ВИПРОМІНЮВАННЯ НА ОСНОВІ ШТУЧНИХ НЕЙРОННИХ МЕРЕЖ Basok, B.I. Novitska, M.P. Kravchenko, V.P. The paper considers short-term forecasting of the intensity of solar radiation in the city of Odessa based on an artificial neural network. The artificial neural network was trained on the experimental data of the ground weather station (Davis 6162EU), which is installed on the roof of the educational building of the Odessa National Polytechnic University. Modeling, validation, and testing of experimental data were performed using the MATLAB software package, namely Neural Network Toolbox. The Levenberg-Markwatt model is used in this work. The analyzed data set was divided into proportions of 70%, 15%, 15% for neural network training, its validation, and testing, respectively. The results which the trained neural network gave during forecasting within the framework of the database and outside it are given. The deviation between real and forecast data is analyzed. The root-mean-square error on December 26, 2016 was 13.03 W / m2, and on December 27, 2016 - 9.44 W / m2 when forecasting outside the database. Evaluation of the accuracy of an artificial neural network has shown its effectiveness in predicting the intensity of solar radiation. To predict parameters based on artificial neural networks, experimental data that describe a real system are needed. Artificial neural networks, like other approximation methods, have both advantages and disadvantages. В работе рассмотрено краткосрочное прогнозирование интенсивности солнечного излучения в г. Одеса на основе искусственной нейронной сети. Нейронная сеть была обучена на экспериментальных данных наземной метеостанции (Davis 6162EU), которая установлена на крыше учебного корпуса Одесского национального политехнического университета. Приведены результаты, которые обученная нейронная сеть дала при прогнозировании в рамках базы данных и вне ее. Проведен анализ отклонения между реальными и прогнозируемыми данными. Оценка точности искусственной нейронной сети показала ее эффективность в прогнозировании интенсивности солнечного излучения. В работе рассмотрено краткосрочное прогнозирование интенсивности солнечного излучения в г. Одеса на основе искусственной нейронной сети. Искусственная нейронная сеть была обучена на экспериментальных данных наземной метеостанции (Davis 6162EU), которая установлена на крыше учебного корпуса Одесского национального политехнического университета. Моделирование, валидация и тестирование искусственной нейронной сети выполнены при помощи программного пакета MATLAB, а именно Neural Network Toolbox. В этой работе применена модель Левенберга-Маркватта. В модели присутствовал один скрытый слой и 10 нейронов. Массив данных разбивался в пропорции 70%, 15%, 15% для обучения нейронной сети, ее валидации и тестирования соответственно. Приведены результаты, которые обученная нейронная сеть дала при прогнозировании в рамках базы данных и вне ее. Проведен анализ отклонения между реальными и прогнозируемыми данными. При прогнозировании вне базы данных квадратичное отклонение для 26 декабря 2016 года составило 13,03 Вт/м2, а для 27 декабря 2016 года 9,44Вт/м2. Оценка точности искусственной нейронной сети показала ее эффективность в прогнозировании интенсивности солнечного излучения. Для прогнозирования параметров на основе искусственных нейронных сетей необходимы экспериментальные данные, которые описывают реальную систему. Искусственные нейронные сети, как и другие методы приближения, имеют как преимущества, так и недостатки. Institute of Engineering Thermophysics of NAS of Ukraine 2021-02-23 Article Article application/pdf https://ihe.nas.gov.ua/index.php/journal/article/view/442 10.31472/ttpe.2.2021.7 Thermophysics and Thermal Power Engineering; Vol 43 No 2 (2021): Thermophysics and Thermal Power Engineering; 60-67 Теплофизика и Теплоэнергетика; Vol 43 No 2 (2021): Thermophysics and Thermal Power Engineering; 60-67 Теплофізика та Теплоенергетика; Vol 43 No 2 (2021): Thermophysics and Thermal Power Engineering; 60-67 2663-7235 uk https://ihe.nas.gov.ua/index.php/journal/article/view/442/372 |