Программа зарегистрирована в Роспатенте, она предназначена для оценки и прогнозирования выработки энергии от возобновляемых источников энергии, позволяя оценить на основе ретроспективных метеорологических данных объемы вырабатываемой энергии. С помощью экспериментальных данных была построена и проверена математическая модель прогнозирования выработки энергии. Точность прогнозирования достигает 91-95% в зависимости от выбранной модели.
Программный модуль прогнозирования выработки энергии от возобновляемых источников на основе рекуррентных нейронных сетей с оптимизацией гиперпараметров модели «OptRNN 1.0» разработан в лаборатории возобновляемых источников энергии Адыгейского государственного университета, созданной в рамках нацпроекта «Наука и университеты». В разработке программы принимали участие сотрудники лаборатории ВИЭ Павел Бучацкий, Стефан Онищенко, Семён Теплоухов и Дмитрий Лисов.
Фото - adygnet.ru
Республика Адыгея обладает большим потенциалом для комплексного использования геотермальных ресурсов, ветроэнергетики, солнечных электростанций, созданию малых гидроэлектростанций. Прогнозирование объемов энергии, вырабатываемой возобновляемыми источниками энергии, является сложной задачей из-за высокой степени неопределенности поступления возобновляемой энергии. Низкая точность прогнозов и отсутствие гибкости в выборе подходящих методов оценки затрудняют эффективное планирование и использование ресурсов от возобновляемых источников энергии, что может снижать экономическую эффективность и надежность систем, использующих возобновляемые источники энергии.
Модуль прогнозирования выработки энергии от возобновляемых источников, разработанный в лаборатории ВИЭ АГУ, основан на использовании рекуррентных нейронных сетей. Нейронные сети – это математические модели, копирующие работу человеческого мозга, которые используются для обучения машин, анализа данных, распознавания образов и решения сложных задач. Рекуррентные нейронные сети (англ. recurrent neural network, RNN) содержат обратные связи – несколько копий одной и той же сети, каждая из которых передает информацию последующей копии. Использование RNN в прогнозировании может обеспечить повышенную точность (по сравнению с традиционными методами), так как позволяет учитывать не только текущие входные данные для прогнозирования, но и дополнительную ретроспективную информацию.
При разработке программного модуля в лаборатории ВИЭ использовали рекуррентные нейронные сети для анализа различных параметров (относительная влажность, атмосферное давление, температура окружающей среды, скорость и направление ветра), влияющих на работу возобновляемых источников энергии. Учет прогнозных данных позволяет повысить уровень интеграции ВИЭ в энергосистему и обеспечить большую точность оценки технического потенциала ВИЭ. Точность прогнозирования разработанного в АГУ модуля достигает 91-95% в зависимости от выбранной модели.
Для реализации программы использовались различные методы машинного обучения: модели линейной регрессии, случайного леса, LSTM, GRU. Используемый набор моделей позволяет произвести выбор наиболее подходящей из них для конкретных условий и имеющегося набора данных, а встроенные алгоритмы оптимизации с использованием библиотеки Optima, - адаптировать параметры моделей, повышая их точность и устойчивость к изменениям входных данных.
Источник: Пресс-служба АГУ
Сервис «Комментарии» - это возможность для всех наших читателей дополнить опубликованный на сайте материал фактами или выразить свое мнение по затрагиваемой материалом теме.
Редакция Информио.ру оставляет за собой право удалить комментарий пользователя без предупреждения и объяснения причин. Однако этого, скорее всего, не произойдет, если Вы будете придерживаться следующих правил:
Претензии к качеству материалов, заголовкам, работе журналистов и СМИ в целом присылайте на адрес
Информация доступна только для зарегистрированных пользователей.
Уважаемые коллеги. Убедительная просьба быть внимательнее при оформлении заявки. На основании заполненной формы оформляется электронное свидетельство. В случае неверно указанных данных организация ответственности не несёт.