RESEARCH ON THE EFFECTIVENESS OF THE PROPHET NEURAL NETWORK FOR DETERMINING WIND FLOW PARAMETERS

The aim of this article is to assess the feasibility of using the Prophet neural network together with selected Python libraries for the correlation analysis and mid-term forecasting of wind potential in the Azov region, as well as to compare the obtained results with several linear regression metho...

Повний опис

Збережено в:

Бібліографічні деталі
Дата:	2025
Автори:	Molyboh , О., Baltovskyy , Y.
Формат:	Стаття
Мова:	Українська
Опубліковано:	Institute of Renewable Energy National Academy of Sciences of Ukraine 2025
Теми:	renewable energy measurement of wind flow parameters wind energy potential mean wind speed MCP approach Prophet neural network forecasting and wind power density.
Онлайн доступ:	https://ve.org.ua/index.php/journal/article/view/585
Теги:	Додати тег Немає тегів, Будьте першим, хто поставить тег для цього запису!
Назва журналу:	Vidnovluvana energetika
Завантажити файл:

Репозитарії

Vidnovluvana energetika

_version_	1871104053929312256
author	Molyboh , О. Baltovskyy , Y.
author_facet	Molyboh , О. Baltovskyy , Y.
author_institution_txt_mv	[ { "author": "О. Molyboh ", "institution": "Institute of Renewable Energy, NAS of Ukraine, Kyiv, Ukraine" }, { "author": "Y. Baltovskyy ", "institution": "Institute of Renewable Energy, NAS of Ukraine, Kyiv, Ukraine" } ]
author_sort	Molyboh , О.
baseUrl_str	https://ve.org.ua/index.php/journal/oai
collection	OJS
datestamp_date	2026-07-18T06:32:23Z
description	The aim of this article is to assess the feasibility of using the Prophet neural network together with selected Python libraries for the correlation analysis and mid-term forecasting of wind potential in the Azov region, as well as to compare the obtained results with several linear regression methods. In this study, wind-speed measurements from meteorological masts were correlated with ERA5 reanalysis data at an altitude of 100 m, and the corresponding slope coefficients and intercepts were determined. Synthetic time series were generated from the reanalysis data for the 2009–2019 period and used as regressors in training the neural network. Based on these series, the neural network produced hourly wind-speed forecasts for 2020–2022, from which the mean wind speeds, Weibull distribution shape and scale parameters, and wind-power density at 100 m were calculated. The mid-term forecasts (1–2 years ahead) were validated against measurements from a second meteorological mast located nearby. For the long-term forecast, the results were compared with wind-potential assessments obtained using the WindPRO software.
doi_str_mv	10.36296/1819-8058.2025.4(83).209-226
first_indexed	2026-02-08T07:59:30Z
format	Article
fulltext	209 Відновлювана енергетика. № 4/2025 \| Вітроенергетика УДК 621.311.245:004.032.26 https://doi.org/10.36296/1819-8058.2025.4(83).209-226 ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ НЕЙРОННОЇ МЕРЕЖІ PROPHET ДЛЯ ВИЗНАЧЕННЯ ПАРАМЕТРІВ ВІТРОВОГО ПОТОКУ Отримано 17 жов. 2025 р.; рекомендовано до публікації 09 груд. 2025 р. Доступно онлайн 31 груд. 2025 р. Молибог О.1, Балтовський Ю.2 Автор для кореспонденції: Молибог Олександр, e-mail: almolibog@gmail.com Анотація. Мета статті – оцінити доцільність викорис- тання нейронної мережі Prophet та окремих бібліотек мови програмування Python для виконання кореляції й середньострокового прогнозування вітрового по- тенціалу в Приазовському регіоні, а також порівняти отримані прогнози з результатами, що отри- мані різними методами лінійної регресії. У межах статті проведено кореляцію виміряних значень шви- дкості вітру з метеощогли з даними реаналізу ERA5 на висоті 100 м та визначено коефіцієнти нахилу і вільний член лінійної регресії. Синтетичні часові ряди, сформовані на основі даних реаналізу за 2009–2019 роки, використано як регресори для нейронної мережі. На основі прогнозних погодинних значень швид- кості вітру на період 2020–2022 років, отриманих на виході нейронної мережі, розраховано середні шви- дкості вітру, параметри форми та масштабу розподілу Вейбулла, а також визначено питому щіль- ність потужності на висоті 100 м. Отриманий середньостроковий прогноз на 1–2 роки зіставлено з результатами вимірювань на другій метеорологічній щоглі, що розташована поблизу. Для довгостро- кового прогнозу порівняно результати з оцінкою вітрового потенціалу, виконаною у програмному за- безпеченні WindPRO. Ключові слова: відновлювана енергетика, вимірювання параметрів вітрового потоку, енергетичний потенціал, середня швидкість вітру, МСР, нейрона мережа Prophet, прогнозування, щільність поту- жності вітрового потоку. Використані позначення та скорочення ВЕС – вітрова електрична станція ВЕУ – вітроенергетична установка MCP – measure-correlate-predict (вимірювання – корреля- ція – прогноз) ЩПВП – щільність потужності вітрового потоку (аналог англ. WPD – wind power density ) МНК – метод найменших квадратів (аналог англ. OLS – Ordinary Least Squares) САІМКС – сезонна авторегресивна інтегрована модель ковзного середнього (аналог англ. SARIMA – Seasonal Autoregressive Integrated Moving Average) Вступ Невідворотність розвитку української енергетичної галузі в напрямі збільшення частки відновлюваних джерел ене- ргії в загальному енергетичному балансі країни визна- чено Енергетичною стратегією України до 2050 року [1] та неодноразово було підтверджено представниками влади та керівництвом Міністерства енергетики України й оператора системи передачі. Проблематика переходу до «зеленої» енергетики обговорювалась на численних форумах і конференціях, а провідні експерти багато разів фокусували свою увагу на різних аспектах розвитку кож- ного з напрямів відновлюваної енергетики. Не буде перебільшенням сказати, що вітрова енерге- тика посідає окреме місце серед інших напрямів ВДЕ і має чимало особливостей. Проєкти вітрових станцій вирізняються серед інших довшою та дорожчою проце- дурою розвитку проєкту від початку до отримання необ- хідних дозволів (девелопменту проєкту), а в подаль- шому відносно тривалим процесом будівництва та введення в експлуатацію. Терміни реалізації проєктів ВЕС від пошуку місця розташування до початку опера- ційної діяльності можуть сягати 5–7 років. Саме тому критично важливим етапом розвитку проєкту є попере- дній аналіз вітрового та енергетичного потенціалу рай- ону розміщення ВЕС, який здебільшого виконується на самому початку процесу девелопменту. Наразі існує кі- лька інструментів для такої оцінки: − атласи – як інтерактивні, так і традиційні; − попередня оцінка потенціалу в спеціалізованому програмному забезпеченні. 1 аспірант https://orcid.org/0009-0005-7286-1787 2 аспірант https://orcid.org/0009-0002-2377-9099 1, 2 Інститут відновлюваної енергетики НАН України, м. Київ, Україна 210 Відновлювана енергетика. № 4/2025 \| Вітроенергетика Обидва способи мають свої недоліки та переваги. На- приклад, для попередньої оцінки може бути викорис- тано загальнодоступні джерела [2, 3], проте такі оцінки зазвичай значно перевищують реальні показники сере- дньої швидкості вітру, отримані в разі реальних вимі- рів – в окремих випадках до 0,8–0,9 м/с, оскільки під час створення атласів використовується downscaling (моде- лювання швидкостей та напрямків вітру від великих ма- сштабів, 20–200 км, до малих, 0,1–1,0 км), дані ERA 5 за 2008–2017 роки [2]. Така похибка спотворює результати енергетичного потенціалу та дає занадто оптимістичні економічні оцінки проєкту. Атлас [4] сфокусований на потенціалі досить великих регіонів – областей, територі- альних громад тощо, тоді як ВЕС розташована на меншій території й вимагає меншого масштабу для оцінки. Найпопулярнішим способом оцінки вітрового та енерге- тичного потенціалу в практичній діяльності компаній, що розвивають та реалізують проєкти вітрових станцій, є виконання попередньої оцінки спеціалізованими ком- паніями у відповідному програмному забезпеченні (WindPRO, WaSP та інше), але для якісної оцінки потрі- бно визначити одну чи кілька моделей вітрових турбін і виконати мікросайтінг площадок. На етапі відбору такі підготовчі роботи вимагатимуть певного часу й матеріа- льних витрат, що може бути недоречним особливо для невеликих проєктів. Крім того, переважна більшість та- ких програм та компаній виконавців є закордонними, що робить українську вітроенергетику залежною від зо- внішніх обставин. Отже, для вирішення вказаної проблеми визначення енергетичного потенціалу пропонується дослідити ефе- ктивність прогнозування швидкості вітру та виконати ро- зрахунок питомої щільності потужності для ділянки в Приазовському регіоні на періоди 1–2 роки та 16 років. Дослідження виконуватиметься на основі даних реана- лізу ERA 5, реальних вимірів (з метеощогли або метеос- танції) з використанням нейронної мережі Prophet і за- гальнодоступних бібліотек високорівневої мови програмування Python, як-от NumPy, Pandas, SciPy тощо, та застосуванням методу МСР. Варто зазначити, що використання Prophet описано в кі- лькох дослідженнях щодо короткострокового [5] та дов- гострокового [6] прогнозування і показує, що має менші похибки, ніж більш традиційні моделі, наприклад САІМКС (SARIMA). Українські дослідники також викори- стовують мережу Prophet для прогнозування ВДЕ, але основний фокус у дослідженнях зроблено на сонячній енергетиці, тоді як для цілей вітроенергетики вона ще не застосовувалась. Мета і завдання Мета роботи – визначити можливість та ефективність використання нейронної мережі Prophet для оцінки віт- рового потоку в середньостроковому (для цієї роботи 1– 2 роки) й довгостроковому (16 років) горизонтах прогно- зування із застосуванням методу MCP;на основі отрима- них синтетичних прогнозних рядів визначити параметри розподілу ймовірності Вейбулла, розрахувати питому щільність потужності вітрового потоку (WPD) та порів- няти їх з наявними фактичними результатами вимірю- вань метеощогли й даних, отриманих з програмного комплексу WindPro. Виклад основного матеріалу Опис досліджуваного району Потенціал енергії вітру був здавна відомий та викорис- товувався на території Україні. Вже у 1917 році потуж- ність вітрових двигунів для виготовлення борошна та пе- рекачування води становила 1400 МВт [4, c. 65], що цілком співставне із сучасним станом вітроенергетики в країні, де на кінець 2024 року встановлена потужність вітрових електричних станцій становила 1921,4 МВт (за винятком ВЕС, що розташовані на території тимчасово окупованої АР Крим) [7]. Із розвитком технологій – збі- льшення висоти вежі та діаметра ротора вітрової тур- біни – майже для всіх регіонів країни стають привабли- вими та економічно доцільними проєкти великих промислових ВЕС, а загальний енергетичний потенціал для оншорних ВЕС на території України оцінюється в 407 ГВт [3, c. 15]. Одним з найцікавіших регіонів є Приа- зов’я, яке було одним із перших регіонів у державі, де були побудовані перші великі вітрові електричні станції, як-от ВЕС Вітроенрегопром (роки будівництва 1998– 2013, потужність 30,53 МВт), Новоазовська ВЕС (роки бу- дівництва 2010–2012, потужність 57,5 МВт), Ботієвська ВЕС (роки будівництва 2011–2014,потужність 200 МВт) тощо. Отже, велика зацікавленість, хороший вітровий потенціал та наявність результатів довгострокових спос- тережень роблять Донецьке Приазов’я цікавим об’єктом для дослідження. Для дослідження було вибрано ділянку 10 х 40 км, що показана на рис. 1, на південному заході Донецької об- ласті на території Мангушської селищної територіальної громади, Маріупольської міської територіальної гро- мади, Нікольскої селищної територіальної громади Ма- ріупольского району Донецької області та частково Оси- пеньківської селищної територіальної громади Бердянського району Запорізької області. Досліджувана область розташована на межі Приазовсь- кої низовини та Приазовської височини. Рельєф плас- кий або слабохвилястий, у центрі та на півдні з висотами 70–100 м, а на півночі (у частині Приазовської висо- чини) – 100–300 м [9, c. 75–76]. У табл. 1 показано коор- динати й висоти розташування метеощогл – «фактич- них», для яких було проведено заміри параметрів вітрового потоку (точки 1 і 2) та «віртуальних» (точки 4 і 5) з даними реаналізу ERA 5. Додатково показано розта- шування метеостанції «Маріупольська» (точка 3). 211 Відновлювана енергетика. № 4/2025 \| Вітроенергетика Рис. 1. Карта району дослідження: 1 – Метеощогла «Мангуш»; 2 – Метеощогла «Комишувате»; 3 – Метео- станція «Маріупольська»; 4 – ERA 5Т, точка 1; 5 – ERA 5Т, точка 2 Таблиця 1. Координати та висоти точок вимірювання параметрів вітрового потоку № Найменування Тип даних Широта Довгота Висота, м 1 Метеощогла «Мангуш» вимірювання 47.0742 37.3043 76 2 Метеощогла «Комишувате» вимірювання 47.074828 37.177834 69 3 Метеостанція «Маріупольська» вимірювання 47.0425 37.4844 62 4 ERA 5Т, точка 1 реаналіз 47.04 37.1 77 5 ERA 5Т, точка 2 реаналіз 47.04 37.35 49 Відповідно до метеорологічних показників, що були ви- міряні на метеостанції «Маріупольська» за період з 01.02.2005 по 31.07.2025 середньорічна температура в досліджуваному регіоні становить 11,09 oС із сезонними мінімумами в грудні – лютому та максимумами в ли- пні – серпні. Середня швидкість вітру на висоті 10–12 м дорівнює 4,6 м/с із середнім максимумом у лютому – березні – 5,22–5,11 м/с та мінімумом у липні – 3,9 м/с. Місце досліджень характеризується переважаючим на- прямком вітру з південного сходу, як показано на рис. 2. Отримані дані добре корелюються з даними за перева- жаючими напрямками вітру [3, 4] та [10, c. 18]. Порівня- вши результати аналізу метеорологічних умов метеос- танції з даними реаналізу та фактичного виробництва існуючих ВЕС по інших ділянках регіону, можна ствер- джувати, що вітрова обстановка в розглядуваному рай- оні репрезентативна для Приазов’я. Опис вхідних даних Підготовка вхідних даних – важливий етап для точного прогнозування, а в разі використання нейронних ме- реж, зокрема Prophet, дані не мають містити пропусків, різні числові ряди мають бути синхронізованими та мати однакову розмірність. У межах роботи використані погодинні дані [9] а під час підготовки даних зроблено такі припущення та спрощення: • періоди прогнозування: для «віртуальних» метеощогл підготовлено та завантажено набори даних за період з 01.01.2009 по 31.07.2025, вимірювання параметрів на «фактичних» метеощоглах вітрового потоку проведено з жовтня 2019 до лютого 2022, отже, період, що пере- тинається, становить два роки – 2020 та 2021; • під час розрахунків не враховується напрямок вітру; • для зменшення обсягу розрахунків використано лише дві точки реаналізу; • досліджуваний період обмежено періодом до 2035 року, що становить від періоду навчання нейронної мережі 15 років. • вибрано такі горизонти прогнозування: o середньострокове – 1–2 роки (актуально для опе- раційної діяльності вже існуючих вітрових пар- ків); o довгострокове – 17–20 років (для оцінки вітро- вого та енергетичного потенціалу на етапі деве- лопменту проєктів вітрових станцій). 212 Відновлювана енергетика. № 4/2025 \| Вітроенергетика Рис. 2. Роза вітрів у регіоні дослідження за період з 01.02.2005 по 01.08.2025 на висоті 10–12 м Підготовка даних вимірів (дані з площадки) У цій роботі використовуються результати вітровимірю- вальної компанії, що проводилась у досліджуваному ре- гіоні протягом 2019–2022 років за вимогами стандартів Measnet [11], отриманих з двох метеощогл. Отримані 10-хвилинні заміри на висоті 100 м було усереднено до погодинних значень та використано окремими число- вими рядами для кожної з метеощогл. Погодинні данні з метеощогли «Мангуш» використано для кореляції да- них з площадки з даними ERA 5 та подальшого регресій- ного аналізу. А виміри зі щогли «Комишувате» викорис- тано для оцінки результатів середньострокового про- гнозування. Як еталонні дані було використано дані п’ятого поко- ління Європейського центру середньострокових про- гнозів погоди – ECMWF-реаналізу глобального клімату та погоди – ERA 5 [15] для визначеної локації. Для отриманих рядів були розраховані відповідності ча- сових рядів та була виконана перевірка кореляції між даними реаналізу та вимірювань, результати якої наве- дено в табл. 2. Таблиця 2. Коефіцієнти кореляції даних ERA 5 з фактичними вимірюваннями на висоті 100 м № п/п Пари точок вимірювання Коефіцієнт Пірсона Коефіцієнт кореляції Спірмана 1 ERA 5Т, точка 1 – Метеощогла «Мангуш» 0,87278768 0,866967697 2 ERA 5Т, точка 2 –Метеощогла «Мангуш» 0,8767909 0,870051131 Лінійна регресія є одним з поширених методів коригу- вання довгострокових даних. Для врахування локальних особливостей було виконано регресійний аналіз для двох погодинних рядів швидкості вітру за даними ERA 5 та вимірювань метеощогли «Мангуш»; для рядів ERA 5 було розраховано коефіцієнти за формулою множинної лінійної регресії (Multiple Linear Regression) для моделі з двома предикторами [18]: ŷ = 𝛽0 + 𝛽0𝑋1 + 𝛽2𝑋2, де ŷ – прогнозне значення; β0 – вільний член; β1, β2 – коефіцієнти нахилу при ознаках; Х1, Х2 – значення регресорів (дані реаналізу) Як було зазначено вище, лінійна регресія через свою про- стоту є одним з найпоширеніших методів уточнення дов- гострокових даних, проте і найменш точним. Для оцінки точності кореляції були розраховані коефіцієнти та віль- ний член регресії методами LinearRegression (OLS) та стій- кіші до викидів робастні методи HuberRegressor, TheilSenRegressor бібліотеки sklearn.linear_model мови програмування Python, результати розрахунків наведено в табл. 3. Також, для перевірки вірності розрахунків, було виконано перевірочні обчислення в MATLAB, за якими отримані результати збігаються з отриманими в Phyton. 213 Відновлювана енергетика. № 4/2025 \| Вітроенергетика Таблиця 3. Отримані коефіцієнти множинної лінійної регресії для різних методів Метод β0 β1 β2 OLS 1,222217217 0,100022609 0,786130727 Huber 1,17773909 0,132754806 0,758885996 TheilSen 1,117664267 0,640234739 0,270355927 Результатом застосування формули множинної лінійної регресії є синтетичний ряд, що містить обидві точки з да- ними реаналізу з урахуванням фактичних замірів на ме- теощоглі. Отриманий ряд наближає дані ERA 5 до умов конкретного регіону з його унікальною орографією та розою вітрів. Як вже зазначалось вище, набори даних мають бути нормалізованими без викидів та без розри- вів, а профіль референтних даних ERA 5 має бути яко- мога ближчим до замірів. Для визначення точності кореляції відповідно до [12] використовуються чисельні метрики: коефіцієнт детермінації R2 (метод r2_score бібліотеки sklearn.metrics) – представляє частку дисперсії, яка була пояснена незалежними змінними в моделі, що показує, наскільки добре модель передбачатиме нові, невідомі зразки; RMSE – коренева середньоквадратична похибка (КСКП), метод mean_squared_error бібліотеки sklearn.metrics, – показує середню різницю між прогнозними та фактич- ними даними; MAE – середня абсолютна похибка (САП), метод mean_absolute_error бібліотеки sklearn.metrics – для оцінки середнього розміру похибки в прогнозі; Середнє співвідношення показує, наскільки збігаються середні швидкості вітру в еталонній виборці з прогноз- ною. Таким чином, перед подачею даних на вхід нейронної мережі будуть відомі попередні очікування щодо точно- сті побудованого прогнозу. Головний інструмент прогнозування в цій роботі – ней- ронна мережа Prophet, яка є бібліотекою для прогнозу- вання часових рядів, розробленою корпорацією Facebook і базується на адитивній моделі, де нелінійні тренди демонструють річні, тижневі, денні та святкові ефекти. Вона працює якнайкраще з часовими рядами, які мають виражені сезонні ефекти і декілька років спо- стережень. Prophet стійкий до відсутніх даних та змін те- нденцій і зазвичай гарно опрацьовує викиди. Крім того, варто відзначити, що якість прогнозу значно зростає у разі подачі на вхід мережі опорних точок, отриманих по фактичних замірах (через особливість вихідних даних у цій роботі така можливість не використовувалась, проте для прогнозування роботи на діючій ВЕС вбачається як вкрай перспективна). Під час побудови моделі та про- гнозу Prophet дає можливість додати так звані предик- тори. Як зазначається авторами Prophet, предиктори мають бути визначеними як для наявних, так і прогноз- них даних. Це має бути дещо, що відомо наперед, на- приклад свята чи погодні прогнози. Як предиктори були використані ретроспективні дані ERA 5 з двох локацій за 2009–2025 роки, об’єднанні в один синтетичний ряд, пі- сля регресійного аналізу. Використання предикторів дало змогу надати прогнозу почасової варіабельності, водночас зі збереженням усіх трендів щодо середніх значень відповідно до сезонних факторів. На виході нейронної мережі отримано прогнозний по- годинний числовий ряд значень швидкості вітру для се- редньострокового періоду на 2020–2021 роки та довго- строкового – на 2021–2035 роки. Для отриманих наборів даних були розраховані значення середньої швидкості вітру та параметри розподілу ймовірності Вейбулла А та k. Отримані результати порівняно з фак- тичними даними вимірів метеощогли «Комишувате» та визначені відхилення, проаналізовано фактори, що впливають на відмінність результатів. Визначення основних параметрів потенціалу вітрового потоку є важливим, але недостатнім етапом оцінки пер- спективності площадки для розташування ВЕС. Тому з огляду на невизначеність щодо типу, потужності та діа- метра ротора вітрової турбіни було прийнято рішення виконати оцінку енергетичного потенціалу ділянки че- рез питому щільність потужності вітрового потоку за ви- разом [19]. 𝑊𝑃𝐷 = 1 2 𝜌𝐴3Г(1 + 3 𝑘 ), де ρ – питома густина повітря прийнята за 1,225 кг/м3 за нормальних атмосферних умов; А – параметр масштабу розподілу Вейбулла; k – параметр форми розподілу Вейбулла; Г – гамма-функція Ейлера. Отримані результати порівнюються з розрахованими очікуваними значеннями в програмному забезпеченні WindPRO для 20 років. Отримані результати Дані, які були отримані протягом вітровимірювальної компанії на метеощоглі «Комишувате» за січень–гру- день 2021 року, вибрано еталоном для перевірки ре- зультатів регресійного аналізу та середньострокового прогнозу, що був зроблений Prophet. У табл. 4 наведено розраховані метрики погодинних рядів швидкості вітру, синтезованих для кожного з вибраних методів лінійної регресії та прогнозу Prophet. 214 Відновлювана енергетика. № 4/2025 \| Вітроенергетика Таблиця 4. Метрики для синтетичних рядів та середньострокового прогнозу Prophet у порівнянні із замірами на щоглі «Комишувате» Метод R2 RMSE MAE Середнє співвідно- шення OLS 0,76 1,5269 1,1953 1,0334 Huber 0,7602 1,5362 1,1934 1,0333 Theil Sen 0,7588 1,5407 1,1942 1,0350 Prophet 2020–2021 -0,7621 4,038 3,2356 1,0809 wind_forecast_2020–2030 -0,9619 4,2609 3,4513 1,1216 Отримані результати свідчать, що модель цілком праце- здатна, але їй бракує точності. Зазвичай добре підібрані набори даних переважно мають коефіцієнт детерміна- ції R2 – який показує рівень кореляції між прогнозними (синтетичними) та фактичними даними [12], –понад 0,8–0,9. А при коефіцієнті 0,76 ми маємо середній рівень кореляції для отриманих рядів. Середньоквадратична похибка RMSE має достатньо велике значення, що може вказувати на певні викиди в даних [12], як і велика абсо- лютна похибка MAE, що вказує на відхилення синтетич- них даних від фактичних значень. А значення Серед- нього співвідношення, близькі до 1,0, показують, що се- редня еталонна швидкість вітру за 2021 рік близька до прогнозних значень. Окремо була виконана агрегація погодинних швидкос- тей вітру для отриманого методом OLS синтетичного ряду та прогнозного ряду Prophet, на добовому та тиж- невому часових інтервалах. Отримані метрики відносно еталонного ряду вимірів з метеощогли «Комишувате» наведено в табл. 5. Таблиця 5. Метрики, отриманні за агрегованими даними за добовими та тижневими інтервалами швидкості вітру Метод R2 RMSE MAE Середнє співвідношення Погодинні ряди даних Метод OLS 0,744802 1,536731 1,192204 1,027137 Прогноз Prophet -0,76207 4,038046 3,235561 1,080891 Дані, агреговані за добовими інтервалами Метод OLS 0,898523 0,730919 0,58615 1,027745 Прогноз Prophet -0,98665 3,234042 2,564595 1,079914 Дані, агреговані за тижневими інтервалами Метод OLS 0,913951 0,391592 0,309646 1,029046 Прогноз Prophet -1,36125 2,051308 1,636997 1,080462 Підсумовуючи, відповідно до [15] нейронна мережа по- казує достатньо точні короткочасні прогнози (з горизон- том у декілька годин) порівняно із SARIMA, але вже при прогнозуванні доби наперед або тиждень наперед від- хилення становить 42 та 44 %, відповідно [16, c. 27]. Отже, необхідно відмітити, що чим довшим є час про- гнозу, тим більша накопчується похибка, яка спотворює результати прогнозування та, як наслідок, фінальний розподіл. До того ж навіть агрегація для згладжування числових рядів не дозволяє нейронній мережі «вло- вити» сезонну та добову зміну швидкостей вітру. Звертає на себе увагу той, факт, що метрика Середнє співвідношення, що описує відношення прогнозного значення до еталонного значення, а також екстремальні та середні значення, цілком відповідають дійсності, а ві- дхилення прогнозних даних нейронної мережі від вимі- рів становить близько 0,54 м/с, або близько 7 %. Таблиця 6. Зіставлення екстремальних та середніх значень швидкості вітру для отриманих прогнозів та даних вимірювання швидкості вітру Метод MIN, м/с Середнє за період, м/с MАХ, м/с Погодинні ряди даних Щогла «Комишувате» 0,430095 6,726601 18,96468 Метод OLS 1,327605 6,909138 16,44631 Прогноз Prophet 1,149804 7,270723 16,95865 215 Відновлювана енергетика. № 4/2025 \| Вітроенергетика Метод MIN, м/с Середнє за період, м/с MАХ, м/с Дані, агреговані за добовими інтервалами Щогла «Комишувате» 2,249139 6,718009 13,76989 Метод OLS 2,850237 6,904399 13,46845 Прогноз Prophet 2,009516 7,254872 16,12467 Дані, агреговані за тижневими інтервалами Щогла «Комишувате» 4,537066 6,720017 12,02513 Метод OLS 4,617804 6,915208 12,1621 Прогноз Prophet 4,449635 7,26072 12,0272 Ситуацію, що склалася з прогнозом, відповідно до резуль- татів показаних в таблицях 5 та 6, цілком можна пояснити несинхронністю зміни швидкості вітру за умови відповід- ності характерних для досліджуваної території показників швидкості вітру на заданій висоті. Для підтвердження цього припущення було розраховано коефіцієнти кореля- ції Пірсона та Спірмена, що становлять лише 0,04–0,11 (і не залежать від агрегації) на відміну від синтетичного ряду, коефіцієнти для якого зростають від 0,86 до 0,97 залежно від рівня агрегації. Далі, значне – з погляду подальших ро- зрахунків енергетичного потенціалу ділянки, наприклад річного виробітку енергії – відхилення середніх значень ці- лком пояснюється даними, на яких мережу навчали (сере- дня швидкість вітру для 2019–2020 років трохи вище сере- дніх значень довгострокових спостережень і становить 7,37 м/с, що вище на 0,49 м/с від прийнятого еталона), та відсутністю корегування прогнозу через опорні предик- тори на прогнозному проміжку. Таблиця 7. Порівняння параметрів розподілу Вейбулла для середньострокового прогнозу швидкості вітру Точка виміру Період Середня швидкість вітру, м/с Параметри розподілу Вейбулла Стандартне відхилення, м/с А k Метеомачта «Комишувате» Січень 2021 – грудень 2021 7,28 8,28 2,28 3,10 Результати прогнозу Prophet Січень 2021 – грудень2021 7,52 8,44 2,84 3,17 Рис. 3. Розподіл частоти швидкості вітру за період з 01.01.2021 по 31.12.2021 216 Відновлювана енергетика. № 4/2025 \| Вітроенергетика На діаграмах на рис. 3 та по даних в таблицях 7 та 8 можна побачити, що фактично (гістограма «Виміряний») біль- шість часу вітрові турбіни працюватимуть у діапазоні шви- дкостей вітру від 3 до 6 м/с – з потужністю значно меншою від номінальної для багатьох типів промислових ВЕУ мегаватного класу. Водночас Prophet прогнозує більше го- дин зі швидкістю вітру 7,5–11 м/с, тобто з потужністю, бли- зькою до номінальної або номінальної потужності ВЕУ. Відповідно, прогноз із таким розподілом завищує остаточ- ний рівень виробництва електричної енергії ВЕУ. Таблиця 8. Порівняння параметрів розподілу Вейбулла та середньої швидкості вітру для довгострокового прогнозу Точка виміру Період Середня швидкість вітру, м/с Параметри розподілу Вейбулла А k Дані WindPRO Щогла «Мангуш» Січень 2019 – грудень 2035 7,37 8,3 2,34 Дані WindPRO Щогла «Комишувате» Січень 2021 – грудень 2035 6,85 7,7 2,29 Оцінка по нормалізованих даних ERA-5 Січень 2020-Грудень 2035 7,41 7,71 3,17 Результати довгострокового прогнозу Prophet Січень 2020-Грудень 2035 7,39 8,28 2,77 Окремим важливим параметром для попередньої оці- нки енергетичного потенціалу ВЕС є, як зазначалось вище, питома щільність потужності вітрового потоку. У табл. 9 узагальнено дані щодо прогнозів середньої щільності потужності вітрового потоку на період 16 ро- ків з 2020 по 2035 рік. Таблиця 9. Узагальнені дані щодо прогнозної щільності вітрового потоку, Вт/м2 Точка виміру Період Прогнозна щільність вітрового потоку, Вт/м2 Дані WindPRO. Щогла «Мангуш» Січень 2019 – грудень 2035 404 Дані WindPRO. Щогла «Комишувате» Січень 2021 – грудень 2035 328 Оцінка по нормалізованих даних ERA-5 Січень 2020 – грудень 2035 286 Результати довгострокового прогнозу Prophet Січень 2020 – грудень 2035 377 Отримані результати показують, що для попередньої оцінки використання нейронної мережі Prophet не є до- цільним через великі похибки та невизначеності, які за- вищують показники швидкості вітру й питому ЩПВП і, як наслідок, дають занадто оптимістичні оцінки. Це пев- ною мірою суперечить результатам, отриманим в [5], але причина може полягати в даних, що використовува- лись для навчання мережі – більш гладкі спостере- ження за 16 років у роботі [5] та фактичні й більш нерів- номірні. Також у цій роботі не досліджувався вплив інших метеорологічних показників, як-от температура, вологість, атмосферний тиск та напрямок вітру. Проте необхідно зазначити, що в горизонті 1–2 років (наприклад, для планування операційної діяльності вже існуючої ВЕС) прогнозування за допомогою Prophet може бути перспективним, особливо за умови відсутно- сті необхідності в точній відповідності розподілу пого- динних «вимірів» і за постійного корегування мережі через опорні точки. Висновки На основі досліджень визначено, що нейрона мережа Prophet може використовуватись для попередньої оці- нки вітрового потенціалу лише для визначення середніх показників швидкості вітру та загальної оцінки щільності потужності вітрового потоку. Так, відхилення середньої швидкості вітру за період 1 рік становить лише 0,27 % порівняно з результатами WindPRO, водночас можна спостерігати значні відхилення параметрів розподілу ймовірностей Вейбулла. Прогнозний параметр масш- табу А більше на 1,9 % за фактичні заміри, а параметр форми к (який має вплив на розрахунки виробітку) – на 19,72 %. Схожа ситуація і для довгострокового аналізу: до 7 % для параметра масштабу та 15,52–17,33 % для па- раметра форми. Оскільки для розрахунку питомої щіль- ності вітрового потоку використовувались параметри розподілу Вейбулла, отримані результати також мають значні відхилення від еталонних значень. Перевагами використання нейронної мережі є змен- шення обсягу робіт з підготовки числових рядів та зага- льне зменшення витраченого часу на виконання оцінки, порівняно з розглянутими методами регресійного ана- лізу. 217 Відновлювана енергетика. № 4/2025 \| Вітроенергетика Результати цієї роботи підтверджують, що в розглядува- ному регіоні – Приазовська низовина – дані реаналізу можуть бути використані для попередньої оцінки вітро- вого та енергетичного потенціалу територій для розмі- щення ВЕС за умови нормалізації довгострокових спос- тережень (зокрема узагальнених, наприклад ERA 5 або інших) та врахування деякого завищення показників ві- тру. ПОСИЛАННЯ 1. Міністерство енергетики України. Енергетична стра- тегія [Електронний ресурс] URL: https://mev.gov.ua/reforma/enerhetychna-stratehiya- 0 (дата звертання: 12.08.2025) 2. GLOBAL WIND ATLAS [Електронний ресурс] URL: https://globalwindatlas.info/en/ (дата звернення: 10.08.2025) 3. windProspecting [Електронний ресурс] URL:https://www.windprospecting.com/ (дата звер- нення: 10.08.2025) 4. Атлас енергетичного потенціалу відновлюваних джерел енергії України: Видання третє, оновлене / за заг. ред. С. О. Кудрі. Київ: Інститут відновлюваної енергетики НАН України, 2024. 56 с. 5. Başak Öztürka, Gülbahar Bilgiçb. A new approach to short-term wind speed prediction: the prophet model. https://doi.org/10.1080/15567036.2022.2126035 [Електронний ресурс] URL: https://www.tandfonline.com/doi/epdf/10.1080/1556 7036.2022.2126035 (дата звернення 15.08.2025) 6. Islam M. K., Rasul M. G. Ashfaque Ahmed Chowdhury. Forecasting of Solar and Wind Resources for Power Generation https://doi.org/10.3390/en16176247 [електронний ресурс] URL:https://www.mdpi.com/1996- 1073/16/17/6247?utm_source=chatgpt.com (дата звернення: 12.08.2025) 7. Кудря С. О. Нетрадиційні та відновлювані джерела енергії: підруч. К.: НТУУ “КПІ”, 2012. 492 с. 8. УВЕА ВИПУСТИЛА ОГЛЯД ВІТРОЕНЕРГЕТИЧНОГО РИ- НКУ 2024 [Електронний ресурс] URL: https://uwea.com.ua/ru/news/entry/uvea-vipustila- oglyad-vtroenergetichnogo-rinku-2024/(дата звер- нення: 12.08.2025) 9. Географічна енциклопедія України: В 3-х т. Редкол.: ... О. М. Маринич (відп. ред.) та ін. К.: “Українська ен- циклопедія” ім. М. П. Бажана, 1989. 1993. Т. 3: П — Я. 480 с. 10. Атлас енергетичного потенціалу відновлюваних джерел енергії України / за заг. ред. С. О. Кудрі. Київ: Інститут відновлюваної енергетики НАН України, 2020. 82 p. 11. Measnet. Evaluation of the site specific conditions Version 3 September 2022. URL:https://www.measnet.com/wp- content/uploads/2022/09/Measnet_Evaluation-of- Site-Especific-Wind-Conditions_v3-1.pdf (дата звер- нення 24.07.2025) 12. Yu Ding. Data Science for Wind Energy. Boca Ranton: Taylor & Francis Group, LLC, 2020. 425 p. 13. Piotrowski, Paweł, Inajara Rutyna, Dariusz Baczyński, і Marcin Kopyt Evaluation Metrics for Wind Power Forecasts: A Comprehensive Review and Statistical Analysis of Errors.. Energies 15, вип. 24 (2022): 9657 [Електронний ресурс] URL: https://www.mdpi.com/1996-1073/15/24/9657 (Дата звернення 02.09.2025) 14. Документація нейронної мережі Prophet [Електрон- нний ресурс] URL: https://facebook.github.io/prophet/docs/quick_start.h tml (дата звернення 10.07.2025) 15. ERA5 hourly data on single levels from 1940 to present [Електронний ресурс] URL: https://cds.climate.copernicus.eu/datasets/reanalysis- era5-single-levels?tab=download (дата звернення 10.07.2025) 16. Atasever Sema et al. A new approach to short-term wind speed prediction: the prophet model. 2022 Energy Sources, Part A: Recovery, Utilization, and Environmental Effects [Електронний ресурс] URL: https://www.tandfonline.com/doi/abs/10.1080/15567 036.2022.2126035 (дата звернення 10.09.2025) 17. Prajowal Manandhar, Hasan Rafiq, Edwin Rodriguez- Ubinas, Themis PalpanasNew Forecasting Metrics Evaluated in Prophet, Random Forest, and Long Short- Term Memory Models for Load Forecasting.[Електрон- ний ресурс] URL:https://www.mdpi.com/1996-1073/ 17/23/6131 (дата звернення 10.09.2025) 18. Douglas C. Montgomery et al. Introduction to linear regression analysis. 5th edition. Hoboken, New Jersey: John Wiley & Sons, Inc, 2012. 679 p. 19. Tian Pau Chan. Performance comparison of six numerical methods in estimating Weibull parameters for wind energy application. [Електронний ресурс] URL: https://www.sciencedirect.com/science/article/ pii/ S0306261910002321 (дата звернення 15.09.2025) 218 Відновлювана енергетика. № 4/2025 \| Вітроенергетика УДК 621.311.245:004.032.26 https://doi.org/10.36296/1819-8058.2025.4(83).209-226 RESEARCH ON THE EFFECTIVENESS OF THE PROPHET NEURAL NETWORK FOR DETERMINING WIND FLOW PARAMETERS Received Oct. 17, 2025; accepted Dec. 09, 2025 Available online Dec. 31, 2025 Molyboh О.1, Baltovskyy Y.2 Author for correspondence: Molyboh Olexandr, e-mail: almolibog@gmail.com Abstract. The aim of this article is to assess the feasibility of using the Prophet neural network together with selected Py- thon libraries for the correlation analysis and mid-term forecasting of wind potential in the Azov region, as well as to compare the obtained results with several linear regression methods. In this study, wind-speed measurements from meteorological masts were correlated with ERA5 reanalysis data at an altitude of 100 m, and the corre- sponding slope coefficients and intercepts were determined. Synthetic time series were generated from the rea- nalysis data for the 2009–2019 period and used as regressors in training the neural network. Based on these series, the neural network produced hourly wind-speed forecasts for 2020–2022, from which the mean wind speeds, Weibull distribution shape and scale parameters, and wind-power density at 100 m were calculated. The mid-term forecasts (1–2 years ahead) were validated against measurements from a second meteorological mast located nearby. For the long-term forecast, the results were compared with wind-potential assessments obtained using the WindPRO software. Keywords: renewable energy, measurement of wind flow parameters, wind energy potential, mean wind speed, MCP approach, Prophet neural network, forecasting, and wind power density. Designations and abbreviations used WPP – wind power plant WTG – wind turbine MCP – measure-correlate-predict WPD – wind power density OLS – Ordinary Least Squares SARIMA – Seasonal Autoregressive Integrated Moving Average Introduction The inevitability of the development of Ukraine’s energy sec- tor toward increasing the share of renewable energy sources in the country’s overall energy mix is defined by the Energy Strategy of Ukraine until 2050 [1] and has been repeatedly affirmed by the government officials, the leadership of the Ministry of Energy of Ukraine, and the transmission system operator. The issues related to the transition to “green” en- ergy have been discussed at numerous forums and confer- ences, while leading experts have repeatedly focused their attention on various aspects of the development of each technology within the renewable energy sector. It would not be an overstatement to say that wind energy holds a distinct position among other areas of renewable en- ergy and has a considerable number of specific characteris- tics. Wind power projects differ from others due to their longer and more expensive development process—from the initial stage to obtaining all necessary permits (project devel- opment)—and, later, the relatively extended period of con- struction and commissioning. The timeline for implementing a wind power plant (WPP)—from identifying the site to the start of operational activity—may reach 5–7 years. For this reason, the preliminary assessment of the wind and energy potential of the proposed WPP location is a critically im- portant stage, and it is usually carried out at the very begin- ning of the development process. Currently, several tools are available for such an assessment, including: • wind atlases, both interactive and traditional; • preliminary potential assessment using specialized soft- ware. Both approaches have their own advantages and limita- tions. For example, publicly available sources can be used for preliminary assessment [2, 3], but the resulting esti- mates generally tend to significantly exceed the actual av- erage wind speed values obtained from real measure- ments—by up to 0.8–0.9 m/s in some cases. This discrepancy arises because the development of wind at- lases relies on downscaling (modelling wind speeds and di- rections from large spatial scales of 20–200 km down to smaller scales of 0.1–1.0 km), as well as ERA5 data for the 1 PhD Student https://orcid.org/0009-0005-7286-1787 2 PhD Student https://orcid.org/0009-0002-2377-9099 1, 2 Institute of renewable energy, NAS of Ukraine, Kyiv, Ukraine 219 Відновлювана енергетика. № 4/2025 \| Вітроенергетика years 2008–2017 [2]. Such an error distorts the assessment of energy potential and leads to overly optimistic economic projections of the project. The atlas presented in [4] is fo- cused on the potential of rather large regions—such as ob- lasts or territorial communities—whereas a wind power plant occupies a much smaller area and therefore requires a finer spatial scale for accurate assessment. The most common approach to assessing wind and energy potential in the practical activities of companies that de- velop and implement wind power projects is to carry out a preliminary evaluation performed by specialized firms us- ing dedicated software (such as WindPRO, WAsP, and oth- ers). However, obtaining a reliable assessment requires se- lecting one or several wind turbine models and conducting micrositing of the proposed locations. At the initial screen- ing stage, such preparatory procedures may require consid- erable time and financial resources, which may be imprac- tical, particularly for small-scale projects. In addition, the overwhelming majority of these software tools and service providers are foreign, which makes the Ukrainian wind en- ergy sector dependent on external conditions. Therefore, to address the outlined challenge of determin- ing the energy potential, it is proposed to examine the ef- fectiveness of wind-speed forecasting and to calculate the wind-power density for a site in the Azov Sea region over periods of 1–2 years and 16 years. The study will be con- ducted using ERA5 reanalysis data, real measurements (from a met mast or meteorological station), the Prophet neural network, and publicly available libraries of the high- level programming language Python, such as NumPy, Pan- das, SciPy, and others, along with the application of the MCP (Measure–Correlate–Predict) method. It is worth noting that the use of Prophet has been de- scribed in several studies on short-term [5] and long-term [6] forecasting, demonstrating lower errors compared to more traditional models such as SARIMA. Ukrainian re- searchers also apply the Prophet network for forecasting in the field of renewable energy, although their primary focus has been on solar energy, whereas its application to wind- energy analysis has not yet been explored. Purpose and Objectives The purpose of this study is to determine the feasibility and effectiveness of using the Prophet neural network for as- sessing wind flow over medium-term (1–2 years for this work) and long-term (16 years) forecasting horizons, in combination with the MCP method. Based on the resulting synthetic forecast time series, the study aims to estimate the parameters of the Weibull probability distribution, cal- culate the wind power density (WPD), and compare these results with the available actual measurements from the meteorological mast as well as with data obtained from the WindPRO software package. Main Material Description of the Study Area The wind-energy potential of Ukraine has been known and utilized for centuries. As early as 1917, the total installed capacity of windmills and water pumping reached 1,400 MW [4, p. 65], a figure that is quite comparable to the cur- rent state of wind energy in the country, where by the end of 2024, the installed capacity of wind power plants amounted to 1,921.4 MW (excluding WPPs located in the temporarily occupied Autonomous Republic of Crimea) [7]. With technological advancements—particularly increases in turbine tower height and rotor diameter—large-scale in- dustrial wind farm projects have become attractive and economically viable in almost all regions of Ukraine, and the overall onshore wind-energy potential of the country is es- timated at 407 GW [3, p. 15]. One of the most promising regions is the Azov Sea area, which was among the first in Ukraine to host large wind power plants, including the Vitroenerhoprom WPP (con- structed in 1998–2013, 30.53 MW), the Novoazovsk WPP (constructed in 2010–2012, 57.5 MW), and the Botievo WPP (constructed in 2011–2014, 200 MW), among others. Consequently, the strong interest in the region, its favour- able wind potential, and the availability of long-term meas- urement data make the Donetsk Azov area a compelling and relevant subject for this research. For the purposes of this study, a 10 × 40 km area shown in Fig. 1 was selected in the southwestern part of Donetsk Ob- last, encompassing the territories of the Mangush Settle- ment Territorial Community, the Mariupol City Territorial Community, and the Nikolske Settlement Territorial Com- munity of the Mariupol District, as well as a portion of the Osypenko Settlement Territorial Community of the Ber- diansk District in Zaporizhzhia Oblast. The study area is located at the boundary between the Azov Lowland and the Azov Upland. The relief can be character- ized as flat or gently undulating in the central and southern parts, with elevations ranging from 70 to 100 m, and rising to 100–300 m in the northern section, corresponding to the Azov Upland [9, pp. 75–76]. Table 1 presents the coordi- nates and elevations of the meteorological masts used in the study —“actual” sites (Points 1 and 2), where wind-flow parameters were directly measured, and “virtual” sites (Points 4 and 5), based on ERA5 reanalysis data. Addition- ally, the location of the “Mariupol” meteorological station (Point 3) is also shown. According to the meteorological observations recorded at the “Mariupol” meteorological station for the period from 01.02.2005 to 31.07.2025, the mean annual air tempera- ture in the study region is 11.09 °C, with seasonal minima occurring in December–February and maxima in July–Au- gust. The average wind speed at a height of 10–12 m is 4.6 m/s, with monthly averages peaking in February–March (5.22–5.11 m/s) and reaching a minimum in July (3.9 m/s). The study area is characterized by a prevailing wind direc- tion from the southeast, as illustrated in Fig. 2. 220 Відновлювана енергетика. № 4/2025 \| Вітроенергетика Fig. 1. Map of the study area: 1 – “Mangush” meteorological mast; 2 – “Komyshuvate” meteorological mast; 3 – “Mariupol” meteorological station; 4 – ERA5T Point 1; 5 – ERA5T Point 2 Table 1. Coordinates and Elevations of the Wind-Flow Measurement Points No Name Data type Latitude Longitude Elevation, m 1 “Mangush” meteorological mast measurements 47.0742 37.3043 76 2 “Komyshuvate” meteorological mast measurements 47.074828 37.177834 69 3 “Mariupol” meteorological station measurements 47.0425 37.4844 62 4 ERA5T Point 1 reanalysis 47.04 37.1 77 5 ERA5T Point 2 reanalysis 47.04 37.35 49 Fig. 2. Wind rose for the study region for the period from 01.02.2005 to 01.08.2025 at a height of 10–12 m 221 Відновлювана енергетика. № 4/2025 \| Вітроенергетика The obtained data correlate well with the prevailing wind- direction patterns reported in [3, 4] and [10, p. 18]. When comparing the results of the meteorological analysis from the station with reanalysis data and with the actual energy production of existing wind farms in other parts of the re- gion, it can be concluded that the wind conditions in the area under consideration are representative of the broader Azov Sea region. Description of the Input Data Preparing the input data is a critical stage for achieving ac- curate forecasting, and in the case of neural networks— particularly Prophet—the dataset must be free of missing values, while all numerical series must be synchronized and have identical dimensionality. In this study, hourly data [9] were used, and the following assumptions and simplifica- tions were applied during data preparation: • Forecasting periods: for the “virtual” meteorological masts, datasets were prepared and uploaded for the pe- riod from 01.01.2009 to 31.07.2025; measurements from the “actual” meteorological masts were collected from October 2019 to February 2022. Therefore, the overlap- ping period spans two full years—2020 and 2021. • Wind direction was not considered in the calculations. • Only two reanalysis points were used to reduce compu- tational load. • The study period was limited to the years up to 2035, corresponding to a 15-year horizon from the neural net- work training period. • Two forecasting horizons were selected: o medium-term: 1–2 years (relevant for operational planning of existing wind farms), o long-term: 17–20 years (for evaluating wind and en- ergy potential at the project development stage of wind power plants). Preparation of Measurement Data (On-site Data) This study uses the results of a wind-measurement campaign conducted in the study region during 2019–2022 in accord- ance with Measnet standards [11], based on data obtained from two meteorological masts. The 10-minute measure- ments recorded at a height of 100 m were averaged to hourly values and used as separate numerical series for each mast. The hourly data from the “Mangush” mast were used to cor- relate the on-site measurements with the ERA5 data and to perform subsequent regression analysis. The measurements from the “Komyshuvate” mast were used to evaluate the outcomes of the medium-term forecasting. As reference data, the study employed the fifth-generation reanalysis dataset of the European Centre for Medium- Range Weather Forecasts—ECMWF global climate and weather reanalysis ERA5 [15]—for the defined locations. For the obtained time series, temporal alignment was per- formed, and the correlation between the reanalysis data and the measured data was assessed. The results of this correlation analysis are presented in Table 2. Table 2. Correlation Coefficients Between ERA5 Data and Actual Measurements at 100 m Height No Pair of Measurement Points Pearson Coefficient Spearman Correlation Coefficient 1 ERA5T Point 1 – “Mangush” meteorological mast 0.87278768 0.866967697 2 ERA5T Point 2 – “Mangush” meteorological mast 0.8767909 0.870051131 Linear regression is one of the commonly used methods for adjusting long-term datasets. To account for local charac- teristics, a regression analysis was performed using two hourly wind-speed time series: the ERA5 dataset and the measurements from the “Mangush” meteorological mast. For the ERA5 series, the coefficients were calculated using the formula of multiple linear regression for a model with two predictors [18]: ŷ = 𝛽0 + 𝛽0𝑋1 + 𝛽2𝑋2, where ŷ – predicted value; β0 – intercept term; β1, β2 – slope coefficients for the predictors; Х1, Х2 – values of the regressors (reanalysis data). As noted above, linear regression—due to its simplicity—is one of the most widely used methods for refining long-term datasets, yet it is also among the least accurate. To assess the accuracy of the correlation, the regression coefficients and intercept were calculated using the LinearRegression (OLS) method, as well as more outlier-resistant robust methods such as HuberRegressor and TheilSenRegressor from the sklearn.linear_model library of the Python pro- gramming language. The calculation results are presented in Table 3. Additionally, to verify the correctness of the computations, validation calculations were performed in MATLAB, and the obtained results were found to be con- sistent with those produced in Python. Table 3. Obtained Multiple Linear Regression Coefficients for Different Methods Method β0 β1 β2 OLS 1,222217217 0,100022609 0,786130727 Huber 1,17773909 0,132754806 0,758885996 TheilSen 1,117664267 0,640234739 0,270355927 222 Відновлювана енергетика. № 4/2025 \| Вітроенергетика The application of the multiple linear regression formula re- sults in a synthetic time series that incorporates both rea- nalysis data points while accounting for the actual meas- urements recorded at the meteorological mast. The resulting series adjusts the ERA5 data to better reflect the conditions of the specific region, including its unique orog- raphy and wind-rose characteristics. As noted earlier, the datasets must be normalized, free of outliers and gaps, while the profile of the ERA5 reference data must be as close as possible to the measured values. To assess the accuracy of the correlation, numerical metrics recommended in [12] were applied: • Coefficient of determination (R²), calculated using the r2_score method from the sklearn.metrics library, which represents the proportion of variance explained by the in- dependent variables in the model and indicates how well the model is expected to predict new, unseen samples. • RMSE – Root Mean Square Error, computed using the mean_squared_error method from sklearn.metrics, which reflects the average deviation between the pre- dicted and actual values. • MAE – Mean Absolute Error, calculated using the mean_absolute_error method from sklearn.metrics, which evaluates the average magnitude of prediction errors. • Ratio mean, which indicates the degree of agreement between the average wind speeds in the reference da- taset and those in the predicted series. Thus, prior to feeding the data into the neural network, pre- liminary expectations regarding the accuracy of the con- structed forecast can be established. The principal forecasting tool used in this study is the Prophet neural network, a time-series forecasting library de- veloped by Facebook. Prophet is based on an additive model in which nonlinear trends capture yearly, weekly, daily, and holiday effects. It performs particularly well with time series that exhibit pronounced seasonal patterns and span several years of observations. Prophet is robust to missing data and trend shifts and generally handles outliers effectively. Moreover, it should be noted that forecast quality im- proves substantially when the model is provided with an- chor points derived from actual on-site measurements. Alt- hough this option was not applied in the present study due to the specific structure of the input data, it appears highly promising for forecasting operational performance at exist- ing wind farms. During model construction and forecasting, Prophet enables the inclusion of additional so-called predictors. As stated by the authors of Prophet, predictors must be defined for both historical and future periods and should represent variables known in advance, such as holidays or weather forecasts. In this study, the predictors consisted of retrospective ERA5 data from two locations for the period 2009–2025, com- bined into a single synthetic series following the regression analysis. The use of predictors made it possible to incorpo- rate hourly variability into the forecast while preserving all seasonal and long-term trends in mean wind speeds. At the output, the neural network produced an hourly fore- cast time series of wind speed for the medium-term period (2020–2021) and the long-term period (2021–2035). For the resulting datasets, mean wind speed values and the pa- rameters A and k of the Weibull probability distribution were calculated. The obtained results were compared with the actual measurements from the “Komyshuvate” mete- orological mast, deviations were quantified, and the factors influencing discrepancies were analyzed. Determining the key parameters of the wind-flow potential is an important but insufficient step in assessing how promising a site is for the installation of a wind power plant (WPP). There- fore, given the uncertainty regarding the turbine type, rated capacity, and rotor diameter, it was decided to evaluate the energy potential of the site using the wind power density, cal- culated according to the expression provided in [19]. 𝑊𝑃𝐷 = 1 2 𝜌𝐴3Г(1 + 3 𝑘 ) where ρ – air density, assumed to be 1.225 kg/m³ under standard atmospheric conditions; А – scale parameter of the Weibull distribution; k – shape parameter of the Weibull distribution; Г – Euler gamma function. The obtained results are compared with the expected values calculated in the WindPRO software for a 20-year period. Results Obtained The data collected during the wind-measurement cam- paign at the “Komyshuvate” meteorological mast for Janu- ary–December 2021 were selected as the reference bench- mark for validating both the regression analysis results and the medium-term forecast generated by Prophet. Table 4 presents the calculated metrics for the hourly wind-speed time series synthesized using each of the selected linear re- gression methods, as well as those obtained from the Prophet forecast. Table 4. Metrics for Synthetic Time Series and the Medium-Term Prophet Forecast Compared with Measurements from the “Komyshuvate” Mast Method R2 RMSE MAE Ratio mean OLS 0.76 1.5269 1.1953 1.0334 Huber 0.7602 1.5362 1.1934 1.0333 Theil Sen 0.7588 1.5407 1.1942 1.0350 Prophet 2020-2021 -0.7621 4.038 3.2356 1.0809 wind_forecast_2020-2030 -0.9619 4.2609 3.4513 1.1216 223 Відновлювана енергетика. № 4/2025 \| Вітроенергетика The obtained results indicate that the model is fully opera- tional, yet it lacks the desired level of accuracy. Typically, well-selected datasets demonstrate a coefficient of deter- mination (R²)—which reflects the strength of the correla- tion between the predicted (synthetic) and actual data [12]—above 0.8–0.9. With an R² value of 0.76, the synthe- sized series exhibit only a moderate level of correlation. The root mean square error (RMSE) is relatively high, which may suggest the presence of outliers in the data [12], while the large mean absolute error (MAE) also indicates deviations of the synthetic series from the actual measure- ments. At the same time, the Ratio Mean values close to 1.0 suggest that the average reference wind speed over the analyzed period is similar to the predicted values. Additionally, hourly wind-speed values from the synthetic se- ries generated using the OLS method and from the Prophet forecast were aggregated into daily and weekly intervals. The metrics obtained for these aggregated datasets—relative to the reference measurements from the “Komyshuvate” me- teorological mast—are presented in Table 5. Table 5. Metrics Obtained for Aggregated Daily and Weekly Wind-Speed Data Method R2 RMSE MAE Ratio Mean Hourly time series OLS Method 0.744802 1.536731 1.192204 1.027137 Prophet Forecast -0.76207 4.038046 3.235561 1.080891 Data aggregated by daily intervals OLS Method 0.898523 0.730919 0.58615 1.027745 Prophet Forecast -0.98665 3.234042 2.564595 1.079914 Data aggregated by weekly intervals OLS Method 0.913951 0.391592 0.309646 1.029046 Prophet Forecast -1.36125 2.051308 1.636997 1.080462 In summary, according to [15], the neural network demon- strates sufficiently accurate short-term forecasts (with a horizon of several hours) compared with SARIMA. How- ever, when forecasting one day ahead or one week ahead, the deviations reach 42% and 44%, respectively [16, p. 27]. Therefore, it should be noted that the longer the forecast- ing horizon, the greater the accumulated error becomes, which distorts the forecasting results and, consequently, the final distribution. Furthermore, even aggregation aimed at smoothing the numerical series does not enable the neural network to adequately capture the seasonal and diurnal variability of wind speeds. It is also noteworthy that the Ratio Mean metric—describ- ing the relationship between the predicted value and the reference value—as well as the extreme and average values, correspond well to reality. The deviation between the neural network’s forecasted data and the measured values is approximately 0.54 m/s, or about 7%. The situation observed with the forecast, according to the results presented in Tables 5 and 6, can be fully ex- plained by the lack of synchrony in wind-speed fluctua- tions, despite the fact that the characteristic wind-speed values at the specified height correspond well to those typical of the study area. To confirm this assumption, Pearson and Spearman correlation coefficients were cal- culated, yielding values of only 0.04–0.11 (and remaining unchanged regardless of aggregation). This contrasts sharply with the synthetic series, for which the coeffi- cients increase from 0.86 to 0.97 depending on the level of aggregation. Table 6. Comparison of Extreme and Mean Wind-Speed Values for Forecasted Series and Measured Wind-Speed Data Method Min, m/s Mean over Period, m/s Max, m/s Hourly time series “Komyshuvate” mast 0.430095 6.726601 18.96468 OLS Method 1.327605 6.909138 16.44631 Prophet Forecast 1.149804 7.270723 16.95865 Data aggregated by daily intervals “Komyshuvate” mast 2.249139 6.718009 13.76989 OLS Method 2.850237 6.904399 13.46845 Prophet Forecast 2.009516 7.254872 16.12467 224 Відновлювана енергетика. № 4/2025 \| Вітроенергетика Method Min, m/s Mean over Period, m/s Max, m/s Data aggregated by weekly intervals “Komyshuvate” mast 4.537066 6.720017 12.02513 OLS Method 4.617804 6.915208 12.1621 Prophet Forecast 4.449635 7.26072 12.0272 Furthermore, the substantial deviation in mean values—which is significant for subsequent calculations of the site’s energy po- tential, such as annual energy production—is fully accounted for by the properties of the training dataset (the average wind speed for 2019–2020 is slightly higher than the long-term aver- age, reaching 7.37 m/s, which exceeds the reference value by 0.49 m/s), as well as by the absence of forecast adjustment us- ing anchor predictors over the forecasting interval. Table 7. Comparison of Weibull Distribution Parameters for the Medium-Term Wind-Speed Forecast Measurement Point Period Mean Wind Speed, m/s Weibull Parameters Standard Deviation, m/s А k “Komyshuvate” meteorological mast January 2021 – December 2021 7.28 8.28 2.28 3.10 Prophet Forecast Results January 2021 – December 2021 7.52 8.44 2.84 3.17 Fig. 3. Wind-speed frequency distribution for the period from 01.01.2021 to 31.12.2021 From the charts in Fig. 3, , as well as the data in Tables 7 and 8, it can be observed that, in reality (the “Measured” histogram), wind turbines would operate most of the time within the wind-speed range of 3–6 m/s—corresponding to power output significantly below the nominal rating for many types of industrial, megawatt-class wind turbines. In contrast, Prophet predicts a larger number of hours with wind speeds in the range of 7.5–11 m/s, i.e., at power lev- els close to or at the turbine’s nominal capacity. Conse- quently, a forecast with such a distribution overestimates the final level of electrical energy production of the wind turbine. 225 Відновлювана енергетика. № 4/2025 \| Вітроенергетика Table 8. Comparison of Weibull Distribution Parameters and Mean Wind Speed for the Long-Term Forecast Measurement Point Period Mean Wind Speed, m/s Weibull Parameters А k WindPRO Data. “Mangush” mast January 2019 – December 2035 7.37 8.3 2.34 WindPRO Data. “Komyshuvate” mast January 2021 – December 2035 6.85 7.7 2.29 Assessment based on normalized ERA-5 data January 2020 – December 2035 7.41 7.71 3.17 Prophet long-term forecast results January 2020 – December 2035 7.39 8.28 2.77 An additional important parameter for the prelimi- nary assessment of a wind farm’s energy potential is the wind power density, as noted earlier. Table 9 summarizes the forecasted values of the mean wind power density for a 16-year period—from 2020 to 2035. Table 9. Summary of Forecasted Wind Power Density, W/m² Measurement Point Period Forecasted Wind Power Density, W/m² WindPRO Data. “Mangush” mast January 2019 – December 2035 404 WindPRO Data. “Komyshuvate” mast January 2021 – December 2035 328 Assessment based on normalized ERA-5 data January 2020 – December 2035 286 Prophet long-term forecast results January 2020 – December 2035 377 The obtained results demonstrate that using the Prophet neural network for a preliminary assessment is not advisa- ble due to substantial errors and uncertainties, leading to overestimation of wind-speed values and wind power den- sity. Consequently, the resulting assessments appear overly optimistic. This partially contradicts the findings reported in [5], yet the discrepancy may arise from differences in the datasets used for model training—smoother, long-term (16-year) observations in [5] versus actual, more irregular measurements in the present study. Furthermore, this study did not examine the influence of additional meteoro- logical parameters such as temperature, humidity, atmos- pheric pressure, or wind direction. Nevertheless, it should be emphasized that over a 1–2-year horizon (e.g., for planning the operational activities of the operating wind farm), forecasting with Prophet may be promising, especially when precise reproduction of hourly “measurement-like” distributions is not required and when continuous adjustment of the model with anchor points is possible. Conclusions Based on the conducted analysis, it has been determined that the Prophet neural network can be used for a prelimi- nary assessment of wind potential only for estimating aver- age wind-speed values and for obtaining a general approx- imation of wind power density. For example, the deviation in mean annual wind speed is only 0.27% compared with WindPRO results. At the same time, significant discrepan- cies are observed in the Weibull probability distribution pa- rameters: the forecasted scale parameter A is 1.9% higher than measured, while the shape parameter k—which strongly affects energy-yield calculations—differs by 19.72%. A similar situation is observed for long-term analy- sis: deviations reach up to 7% for the scale parameter and 15.52–17.33% for the shape parameter. Since the Weibull parameters were used to calculate wind power density, the resulting estimates also exhibit substantial deviations from the reference values. The advantages of using a neural network include a re- duced workload for preparing numerical series and a gen- eral reduction in the time required to perform the assess- ment compared with the regression-based methods reviewed in this study. The findings of this work confirm that, in the region under consideration—the Azov Lowland—reanalysis data can be applied for preliminary assessment of the wind and energy potential of areas selected for wind-farm development, provided that long-term observations (including general- ized datasets such as ERA5 or equivalent sources) are nor- malized and that a certain degree of overestimation inher- ent in the reanalysis data is taken into account. 226 Відновлювана енергетика. № 4/2025 \| Вітроенергетика REFERENCES 1. Ministry of Energy of Ukraine. Energy Strategy [Electronic resource]. URL: https://mev.gov.ua/reforma/enerhetychna-stratehiya- 0 (accessed: 12.08.2025) 2. GLOBAL WIND ATLAS [Electronic resource]. URL: https://globalwindatlas.info/en/ (accessed: 10.08.2025) 3. windProspecting [Electronic resource]. URL: https://www.windprospecting.com/ (accessed: 10.08.2025) 4. Atlas of the Energy Potential of Renewable Energy Sources of Ukraine. 3rd updated edition / ed. by S.O. Kudria. Kyiv: Institute of Renewable Energy of the National Academy of Sciences of Ukraine, 2024. 56 p. 5. Başak Öztürka, Gülbahar Bilgiçb. A new approach to short-term wind speed prediction: the Prophet model. https://doi.org/10.1080/15567036.2022.2126035 [Electronic resource]. URL: https://www.tandfonline.com/doi/epdf/10.1080/1556 7036.2022.2126035 (accessed: 15.08.2025) 6. M. K. Islam, M. G. Rasul, Ashfaque Ahmed Chowdhury. Forecasting of Solar and Wind Resources for Power Generation. https://doi.org/10.3390/en16176247 [Electronic resource]. URL: https://www.mdpi.com/1996- 1073/16/17/6247?utm_source=chatgpt.com (accessed: 12.08.2025) 7. Kudria S.O. Non-Traditional and Renewable Energy Sources: Textbook. Kyiv: NTUU “KPI”, 2012. 492 p. 8. UWEA. Overview of the Ukrainian Wind Energy Market 2024 [Electronic resource]. URL: https://uwea.com.ua/ru/news/entry/uvea-vipustila- oglyad-vtroenergetichnogo-rinku-2024/ (accessed: 12.08.2025) 9. Geographical Encyclopedia of Ukraine. In 3 volumes. Eds.: O. M. Marynych (chief editor) et al. Kyiv: “Ukrainian Encyclopedia” named after M. P. Bazhan, 1989–1993. Vol. 3: P–Ya. 480 p. 10. Atlas of the Energy Potential of Renewable Energy Sources of Ukraine. / ed. by S.O. Kudria. – Kyiv: Institute of Renewable Energy of the National Academy of Sciences of Ukraine, 2020. 82 p. 11. Measnet. Evaluation of the Site Specific Conditions, Version 3, September 2022. URL: https://www.measnet.com/wp- content/uploads/2022/09/Measnet_Evaluation-of- Site-Especific-Wind-Conditions_v3-1.pdf (accessed: 24.07.2025) 12. Yu Ding. Data Science for Wind Energy. Boca Raton: Taylor & Francis Group, LLC, 2020. 425 p. 13. Piotrowski, Paweł, Inajara Rutyna, Dariusz Baczyński, and Marcin Kopyt. Evaluation Metrics for Wind Power Forecasts: A Comprehensive Review and Statistical Analysis of Errors. Energies 15, no. 24 (2022): 9657. [Electronic resource]. URL: https://www.mdpi.com/1996-1073/15/24/9657 (accessed: 02.09.2025) 14. Prophet Neural Network Documentation [Electronic resource]. URL: https://facebook.github.io/prophet/docs/quick_start.h tml (accessed: 10.07.2025) 15. ERA5 hourly data on single levels from 1940 to present [Electronic resource]. URL: https://cds.climate.copernicus.eu/datasets/reanalysis- era5-single-levels?tab=download (accessed: 10.07.2025) 16. Atasever Sema et al. A new approach to short-term wind speed prediction: the Prophet model. 2022. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects [Electronic resource]. URL: https://www.tandfonline.com/doi/abs/10.1080/15567 036.2022.2126035 17. Prajowal Manandhar, Hasan Rafiq, Edwin Rodriguez- Ubinas, Themis Palpanas. New Forecasting Metrics Evaluated in Prophet, Random Forest, and Long Short- Term Memory Models for Load Forecasting. [Electronic resource]. URL: https://www.mdpi.com/1996- 1073/17/23/6131 (accessed: 10.09.2025) 18. Douglas C. Montgomery et al. Introduction to linear regression analysis. 5th edition. Hoboken, New Jersey: John Wiley & Sons, Inc, 2012. 679 p. 19. Tian Pau Chan. Performance comparison of six numerical methods in estimating Weibull parameters for wind energy application. [Electronic resource] URL: https://www.sciencedirect.com/science/article/pii/S03 06261910002321 (accessed: 15.09.2025)
id	veorgua-article-585
institution	Vidnovluvana energetika
keywords_txt_mv	keywords
language	Ukrainian
last_indexed	2026-07-19T01:17:59Z
publishDate	2025
publisher	Institute of Renewable Energy National Academy of Sciences of Ukraine
record_format	ojs
resource_txt_mv	veorgua/ca/9608f7061adaacfbf3e527372878d2ca.pdf
spelling	veorgua-article-5852026-07-18T06:32:23Z RESEARCH ON THE EFFECTIVENESS OF THE PROPHET NEURAL NETWORK FOR DETERMINING WIND FLOW PARAMETERS ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ НЕЙРОННОЇ МЕРЕЖІ PROPHET ДЛЯ ВИЗНАЧЕННЯ ПАРАМЕТРІВ ВІТРОВОГО ПОТОКУ Molyboh , О. Baltovskyy , Y. renewable energy, measurement of wind flow parameters, wind energy potential, mean wind speed, MCP approach, Prophet neural network, forecasting, and wind power density. відновлювана енергетика, вимірювання параметрів вітрового потоку, енергетичний потенціал, середня швидкість вітру, МСР, нейрона мережа Prophet, прогнозування, щільність поту- жності вітрового потоку. The aim of this article is to assess the feasibility of using the Prophet neural network together with selected Python libraries for the correlation analysis and mid-term forecasting of wind potential in the Azov region, as well as to compare the obtained results with several linear regression methods. In this study, wind-speed measurements from meteorological masts were correlated with ERA5 reanalysis data at an altitude of 100 m, and the corresponding slope coefficients and intercepts were determined. Synthetic time series were generated from the reanalysis data for the 2009–2019 period and used as regressors in training the neural network. Based on these series, the neural network produced hourly wind-speed forecasts for 2020–2022, from which the mean wind speeds, Weibull distribution shape and scale parameters, and wind-power density at 100 m were calculated. The mid-term forecasts (1–2 years ahead) were validated against measurements from a second meteorological mast located nearby. For the long-term forecast, the results were compared with wind-potential assessments obtained using the WindPRO software. Мета статті – оцінити доцільність використання нейронної мережі Prophet та окремих бібліотек мови програмування Python для виконання кореляції й середньострокового прогнозування вітрового потенціалу в Приазовському регіоні, а також порівняти отримані прогнози з результатами, що отримані різними методами лінійної регресії. У межах статті проведено кореляцію виміряних значень швидкості вітру з метеощогли з даними реаналізу ERA5 на висоті 100 м та визначено коефіцієнти нахилу і вільний член лінійної регресії. Синтетичні часові ряди, сформовані на основі даних реаналізу за 2009–2019 роки, використано як регресори для нейронної мережі. На основі прогнозних погодинних значень швидкості вітру на період 2020–2022 років, отриманих на виході нейронної мережі, розраховано середні швидкості вітру, параметри форми та масштабу розподілу Вейбулла, а також визначено питому щільність потужності на висоті 100 м. Отриманий середньостроковий прогноз на 1–2 роки зіставлено з результатами вимірювань на другій метеорологічній щоглі, що розташована поблизу. Для довгострокового прогнозу порівняно результати з оцінкою вітрового потенціалу, виконаною у програмному забезпеченні WindPRO. Institute of Renewable Energy National Academy of Sciences of Ukraine 2025-12-28 Article Article application/pdf https://ve.org.ua/index.php/journal/article/view/585 10.36296/1819-8058.2025.4(83).209-226 Vidnovluvana energetika ; No. 4(83) (2025): Scientific and applied Journal renewable energy ; 209-226 Возобновляемая энергетика; ##issue.no## 4(83) (2025): Scientific and applied Journal renewable energy ; 209-226 Відновлювана енергетика; № 4(83) (2025): Науково-прикладний журнал Відновлювана енергетика; 209-226 2664-8172 1819-8058 10.36296/1819-8058.2025.4(83) uk https://ve.org.ua/index.php/journal/article/view/585/496 Copyright (c) 2025 О. Molyboh , Y. Baltovskyy https://creativecommons.org/licenses/by-nc-nd/4.0
spellingShingle	renewable energy measurement of wind flow parameters wind energy potential mean wind speed MCP approach Prophet neural network forecasting and wind power density. Molyboh , О. Baltovskyy , Y. RESEARCH ON THE EFFECTIVENESS OF THE PROPHET NEURAL NETWORK FOR DETERMINING WIND FLOW PARAMETERS
title	RESEARCH ON THE EFFECTIVENESS OF THE PROPHET NEURAL NETWORK FOR DETERMINING WIND FLOW PARAMETERS
title_alt	ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ НЕЙРОННОЇ МЕРЕЖІ PROPHET ДЛЯ ВИЗНАЧЕННЯ ПАРАМЕТРІВ ВІТРОВОГО ПОТОКУ
title_full	RESEARCH ON THE EFFECTIVENESS OF THE PROPHET NEURAL NETWORK FOR DETERMINING WIND FLOW PARAMETERS
title_fullStr	RESEARCH ON THE EFFECTIVENESS OF THE PROPHET NEURAL NETWORK FOR DETERMINING WIND FLOW PARAMETERS
title_full_unstemmed	RESEARCH ON THE EFFECTIVENESS OF THE PROPHET NEURAL NETWORK FOR DETERMINING WIND FLOW PARAMETERS
title_short	RESEARCH ON THE EFFECTIVENESS OF THE PROPHET NEURAL NETWORK FOR DETERMINING WIND FLOW PARAMETERS
title_sort	research on the effectiveness of the prophet neural network for determining wind flow parameters
topic	renewable energy measurement of wind flow parameters wind energy potential mean wind speed MCP approach Prophet neural network forecasting and wind power density.
topic_facet	renewable energy measurement of wind flow parameters wind energy potential mean wind speed MCP approach Prophet neural network forecasting and wind power density. відновлювана енергетика вимірювання параметрів вітрового потоку енергетичний потенціал середня швидкість вітру МСР нейрона мережа Prophet прогнозування щільність поту- жності вітрового потоку.
url	https://ve.org.ua/index.php/journal/article/view/585
work_keys_str_mv	AT molyboho researchontheeffectivenessoftheprophetneuralnetworkfordeterminingwindflowparameters AT baltovskyyy researchontheeffectivenessoftheprophetneuralnetworkfordeterminingwindflowparameters AT molyboho doslídžennâefektivnostínejronnoímerežíprophetdlâviznačennâparametrívvítrovogopotoku AT baltovskyyy doslídžennâefektivnostínejronnoímerežíprophetdlâviznačennâparametrívvítrovogopotoku

RESEARCH ON THE EFFECTIVENESS OF THE PROPHET NEURAL NETWORK FOR DETERMINING WIND FLOW PARAMETERS

Репозитарії

Схожі ресурси