ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ НЕЙРОННОЇ МЕРЕЖІ PROPHET ДЛЯ ВИЗНАЧЕННЯ ПАРАМЕТРІВ 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 metho...
Gespeichert in:
| Datum: | 2025 |
|---|---|
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | Ukrainisch |
| Veröffentlicht: |
Institute of Renewable Energy National Academy of Sciences of Ukraine
2025
|
| Schlagworte: | |
| Online Zugang: | https://ve.org.ua/index.php/journal/article/view/585 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Vidnovluvana energetika |
Institution
Vidnovluvana energetika| _version_ | 1856543204931796992 |
|---|---|
| author | Molyboh , О. Baltovskyy , Y. |
| author_facet | Molyboh , О. Baltovskyy , Y. |
| author_sort | Molyboh , О. |
| baseUrl_str | |
| collection | OJS |
| datestamp_date | 2025-12-30T22:29:08Z |
| 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. |
| first_indexed | 2026-02-08T07:59:30Z |
| format | Article |
| id | veorgua-article-585 |
| institution | Vidnovluvana energetika |
| language | Ukrainian |
| last_indexed | 2026-02-08T07:59:30Z |
| publishDate | 2025 |
| publisher | Institute of Renewable Energy National Academy of Sciences of Ukraine |
| record_format | ojs |
| spelling | veorgua-article-5852025-12-30T22:29:08Z ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ НЕЙРОННОЇ МЕРЕЖІ PROPHET ДЛЯ ВИЗНАЧЕННЯ ПАРАМЕТРІВ ВІТРОВОГО ПОТОКУ 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 Возобновляемая энергетика; № 4(83) (2025): Scientific and applied Journal renewable energy ; 209-226 Відновлювана енергетика; № 4(83) (2025): Науково-прикладний журнал Відновлювана енергетика; 209-226 Vidnovluvana energetika ; No. 4(83) (2025): Scientific and applied Journal renewable energy ; 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 Vidnovluvana energetika |
| 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. ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ НЕЙРОННОЇ МЕРЕЖІ PROPHET ДЛЯ ВИЗНАЧЕННЯ ПАРАМЕТРІВ ВІТРОВОГО ПОТОКУ |
| title | ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ НЕЙРОННОЇ МЕРЕЖІ PROPHET ДЛЯ ВИЗНАЧЕННЯ ПАРАМЕТРІВ ВІТРОВОГО ПОТОКУ |
| title_alt | ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ НЕЙРОННОЇ МЕРЕЖІ PROPHET ДЛЯ ВИЗНАЧЕННЯ ПАРАМЕТРІВ ВІТРОВОГО ПОТОКУ |
| title_full | ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ НЕЙРОННОЇ МЕРЕЖІ PROPHET ДЛЯ ВИЗНАЧЕННЯ ПАРАМЕТРІВ ВІТРОВОГО ПОТОКУ |
| title_fullStr | ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ НЕЙРОННОЇ МЕРЕЖІ PROPHET ДЛЯ ВИЗНАЧЕННЯ ПАРАМЕТРІВ ВІТРОВОГО ПОТОКУ |
| title_full_unstemmed | ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ НЕЙРОННОЇ МЕРЕЖІ PROPHET ДЛЯ ВИЗНАЧЕННЯ ПАРАМЕТРІВ ВІТРОВОГО ПОТОКУ |
| title_short | ДОСЛІДЖЕННЯ ЕФЕКТИВНОСТІ НЕЙРОННОЇ МЕРЕЖІ PROPHET ДЛЯ ВИЗНАЧЕННЯ ПАРАМЕТРІВ ВІТРОВОГО ПОТОКУ |
| title_sort | дослідження ефективності нейронної мережі prophet для визначення параметрів вітрового потоку |
| 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 doslídžennâefektivnostínejronnoímerežíprophetdlâviznačennâparametrívvítrovogopotoku AT baltovskyyy doslídžennâefektivnostínejronnoímerežíprophetdlâviznačennâparametrívvítrovogopotoku |