ПІДВИЩЕННЯ ТОЧНОСТІ БАГАТОФАКТОРНИХ КОРОТКОСТРОКОВИХ ПРОГНОЗІВ ГЕНЕРАЦІЇ СОНЯЧНИХ ЕЛЕКТРОСТАНЦІЙ НА ОСНОВІ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ

ПІДВИЩЕННЯ ТОЧНОСТІ БАГАТОФАКТОРНИХ КОРОТКОСТРОКОВИХ ПРОГНОЗІВ ГЕНЕРАЦІЇ СОНЯЧНИХ ЕЛЕКТРОСТАНЦІЙ НА ОСНОВІ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ

The paper focuses on the development of models for forecasting the electricity generation of industrial solar power plants using artificial neural networks and numerical weather prediction. The relevance of the research is driven by the need to reduce costs related to imbalances in electricity gener...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Datum:2024
Hauptverfasser: Мирошник, В.О., Лоскутов, С.С.
Format: Artikel
Sprache:Ukrainian
Veröffentlicht: Інститут електродинаміки НАН України, Київ 2024
Schlagworte:
короткострокове прогнозування
нейронні мережі
рекурентні нейронні мережі
сонячні електростанції
СЕС
Online Zugang:https://techned.org.ua/index.php/techned/article/view/1492
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
Назва журналу:Technical Electrodynamics

Institution

Technical Electrodynamics
id oai:ojs2.ted.new-point.com.ua:article-1492
record_format ojs
spelling oai:ojs2.ted.new-point.com.ua:article-14922024-02-19T10:52:03Z INCREASING THE ACCURACY OF SHORT-TERM FORECASTS OF PVSPP GENERATION BASED ON ARTIFICIAL NEURAL NETWORKS AND TAKING ADDITIONAL FACTORS INTO ACCOUNT ПІДВИЩЕННЯ ТОЧНОСТІ БАГАТОФАКТОРНИХ КОРОТКОСТРОКОВИХ ПРОГНОЗІВ ГЕНЕРАЦІЇ СОНЯЧНИХ ЕЛЕКТРОСТАНЦІЙ НА ОСНОВІ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ Мирошник, В.О. Лоскутов, С.С. short-term forecasting neural networks recurrent neural networks photovoltaic solar power plant PVSPP короткострокове прогнозування нейронні мережі рекурентні нейронні мережі сонячні електростанції СЕС The paper focuses on the development of models for forecasting the electricity generation of industrial solar power plants using artificial neural networks and numerical weather prediction. The relevance of the research is driven by the need to reduce costs related to imbalances in electricity generation from renewable sources, which can sometimes reach 50% of the released electricity. Additionally, the imbalances of such producers are increasing in Ukraine's power system. Currently, the general imbalances of renewable energy producers in Ukraine have led to a 45% reduction in green electricity production, especially due to the damage or destruction of 75% of wind power plants and 15% of solar power plants in southern and southeastern regions as a result of hostilities. Increasing the accuracy and stability of electricity generation forecasts for such producers could significantly reduce costs associated with imbalances.. Various aggregation methods have been developed for 15-minute values of green energy generation to enhance forecasting accuracy for 1, 2, and 24-hour intervals. The study investigated the potential benefits of using numerical weather prediction (NWP) forecast values to enhance forecasting accuracy. The study revealed the significance of different factors for forecasting at each bias interval. The study employed two modern recurrent neural network models, LSTM and GRU, with varying time sequences. References 14, figures 5, table 2. Статтю присвячено розвитку моделей прогнозування відпуску електроенергії промисловими сонячними електростанціями на основі штучних нейронних мереж та використання числового прогнозу погоди. Актуальність дослідження обумовлена необхідністю зменшення витрат, пов'язаних з небалансами виробників з відновлюваних джерел енергії (ВДЕ), які іноді сягають 50% відпущеної електроенергії, а також зростанням небалансів таких виробників в ОЕС України. Загальні небаланси виробників з ВДЕ сьогодні зумовлені  падінням на 45% виробництва зеленої електроенергії, зокрема і внаслідок того, що у південних і південно-східних регіонах бойові дії пошкодили або знищили 75% вітрових електростанцій і 15 % сонячних станцій. Підвищення точності та стабільності прогнозування відпуску електроенергії такими виробниками можуть значно скоротити витрати на небаланси. Розроблено різні методи агрегації для 15-хвилинних значень вироблення зеленої енергії, щоб підвищити точність прогнозування для 1, 2 та 24-годинних інтервалів. Досліджено потенційні переваги використання значень числового прогнозу погоди (NWP) задля підвищення точності прогнозу. Проаналізовано вплив зовнішніх факторів на точність прогнозів з різною глибиною. У процесі дослідження використовувалися дві сучасні моделі рекурентної нейронної мережі, LSTM і GRU, з різними часовими послідовностями. Бібл. 14, рис. 5, табл. 2. Інститут електродинаміки НАН України, Київ 2024-01-31 Article Article application/pdf https://techned.org.ua/index.php/techned/article/view/1492 10.15407/techned2024.01.061 Tekhnichna Elektrodynamika; No. 1 (2024): TEKHNICHNA ELEKTRODYNAMIKA; 061 ТЕХНІЧНА ЕЛЕКТРОДИНАМІКА; № 1 (2024): ТЕХНІЧНА ЕЛЕКТРОДИНАМІКА; 061 2218-1903 1607-7970 10.15407/techned2024.01 uk https://techned.org.ua/index.php/techned/article/view/1492/1421 Авторське право (c) 2024 ТЕХНІЧНА ЕЛЕКТРОДИНАМІКА https://creativecommons.org/licenses/by-nc-nd/4.0
institution Technical Electrodynamics
baseUrl_str
datestamp_date 2024-02-19T10:52:03Z
collection OJS
language Ukrainian
topic короткострокове прогнозування
нейронні мережі
рекурентні нейронні мережі
сонячні електростанції
СЕС
spellingShingle короткострокове прогнозування
нейронні мережі
рекурентні нейронні мережі
сонячні електростанції
СЕС
Мирошник, В.О.
Лоскутов, С.С.
ПІДВИЩЕННЯ ТОЧНОСТІ БАГАТОФАКТОРНИХ КОРОТКОСТРОКОВИХ ПРОГНОЗІВ ГЕНЕРАЦІЇ СОНЯЧНИХ ЕЛЕКТРОСТАНЦІЙ НА ОСНОВІ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ
topic_facet short-term forecasting
neural networks
recurrent neural networks
photovoltaic solar power plant
PVSPP
короткострокове прогнозування
нейронні мережі
рекурентні нейронні мережі
сонячні електростанції
СЕС
format Article
author Мирошник, В.О.
Лоскутов, С.С.
author_facet Мирошник, В.О.
Лоскутов, С.С.
author_sort Мирошник, В.О.
title ПІДВИЩЕННЯ ТОЧНОСТІ БАГАТОФАКТОРНИХ КОРОТКОСТРОКОВИХ ПРОГНОЗІВ ГЕНЕРАЦІЇ СОНЯЧНИХ ЕЛЕКТРОСТАНЦІЙ НА ОСНОВІ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ
title_short ПІДВИЩЕННЯ ТОЧНОСТІ БАГАТОФАКТОРНИХ КОРОТКОСТРОКОВИХ ПРОГНОЗІВ ГЕНЕРАЦІЇ СОНЯЧНИХ ЕЛЕКТРОСТАНЦІЙ НА ОСНОВІ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ
title_full ПІДВИЩЕННЯ ТОЧНОСТІ БАГАТОФАКТОРНИХ КОРОТКОСТРОКОВИХ ПРОГНОЗІВ ГЕНЕРАЦІЇ СОНЯЧНИХ ЕЛЕКТРОСТАНЦІЙ НА ОСНОВІ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ
title_fullStr ПІДВИЩЕННЯ ТОЧНОСТІ БАГАТОФАКТОРНИХ КОРОТКОСТРОКОВИХ ПРОГНОЗІВ ГЕНЕРАЦІЇ СОНЯЧНИХ ЕЛЕКТРОСТАНЦІЙ НА ОСНОВІ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ
title_full_unstemmed ПІДВИЩЕННЯ ТОЧНОСТІ БАГАТОФАКТОРНИХ КОРОТКОСТРОКОВИХ ПРОГНОЗІВ ГЕНЕРАЦІЇ СОНЯЧНИХ ЕЛЕКТРОСТАНЦІЙ НА ОСНОВІ ШТУЧНОЇ НЕЙРОННОЇ МЕРЕЖІ
title_sort підвищення точності багатофакторних короткострокових прогнозів генерації сонячних електростанцій на основі штучної нейронної мережі
title_alt INCREASING THE ACCURACY OF SHORT-TERM FORECASTS OF PVSPP GENERATION BASED ON ARTIFICIAL NEURAL NETWORKS AND TAKING ADDITIONAL FACTORS INTO ACCOUNT
description The paper focuses on the development of models for forecasting the electricity generation of industrial solar power plants using artificial neural networks and numerical weather prediction. The relevance of the research is driven by the need to reduce costs related to imbalances in electricity generation from renewable sources, which can sometimes reach 50% of the released electricity. Additionally, the imbalances of such producers are increasing in Ukraine's power system. Currently, the general imbalances of renewable energy producers in Ukraine have led to a 45% reduction in green electricity production, especially due to the damage or destruction of 75% of wind power plants and 15% of solar power plants in southern and southeastern regions as a result of hostilities. Increasing the accuracy and stability of electricity generation forecasts for such producers could significantly reduce costs associated with imbalances.. Various aggregation methods have been developed for 15-minute values of green energy generation to enhance forecasting accuracy for 1, 2, and 24-hour intervals. The study investigated the potential benefits of using numerical weather prediction (NWP) forecast values to enhance forecasting accuracy. The study revealed the significance of different factors for forecasting at each bias interval. The study employed two modern recurrent neural network models, LSTM and GRU, with varying time sequences. References 14, figures 5, table 2.
publisher Інститут електродинаміки НАН України, Київ
publishDate 2024
url https://techned.org.ua/index.php/techned/article/view/1492
work_keys_str_mv AT mirošnikvo increasingtheaccuracyofshorttermforecastsofpvsppgenerationbasedonartificialneuralnetworksandtakingadditionalfactorsintoaccount
AT loskutovss increasingtheaccuracyofshorttermforecastsofpvsppgenerationbasedonartificialneuralnetworksandtakingadditionalfactorsintoaccount
AT mirošnikvo pídviŝennâtočnostíbagatofaktornihkorotkostrokovihprognozívgeneracíísonâčnihelektrostancíjnaosnovíštučnoínejronnoímereží
AT loskutovss pídviŝennâtočnostíbagatofaktornihkorotkostrokovihprognozívgeneracíísonâčnihelektrostancíjnaosnovíštučnoínejronnoímereží
first_indexed 2025-09-24T17:40:08Z
last_indexed 2025-09-24T17:40:08Z
_version_ 1844167949588365312

Ähnliche Einträge