ПІДВИЩЕННЯ ТОЧНОСТІ ПРОГНОЗУ ВИРОБНИЦТВА ЕЛЕКТРОЕНЕРГІЇ ФОТОЕЛЕКТРИЧНИМИ СТАНЦІЯМИ НА ОСНОВІ МЕТОДУ RANDOM FOREST
DOI:
https://doi.org/10.31649/1997-9266-2024-177-6-52-61Ключові слова:
фотоелектричні станції, генерування, прогнозування, регресійний аналіз, машинне навчання, аналіз данихАнотація
Досліджено методи, що використовуються для прогнозування виробництва енергії фотоелектричними станціями (ФЕС), а також шляхи підвищення точності прогнозу для оптимізації структури балансу електроенергії в енергосистемі. Дослідження спрямоване на виявлення ефективних підходів та алгоритмів прогнозування, оцінювання їхньої точності та надійності. За результатами дослідження запропоновано комбінацію методів регресійного аналізу та машинного навчання, що забезпечує прийнятну точність прогнозу для планування резервів потужності у енергосистемі. За основу взято метод Random Forest, оскільки він забезпечує адаптивність до особливостей енергогенерування ФЕС у різних регіонах України та в різні періоди року. Для підвищення ефективності машинного навчання запропоновано алгоритм попередньої фільтрації наборів даних з використанням методів авторегресії та ковзного середнього. Це дозволяє краще підготувати вхідні дані для подальшого використання у прогнозуванні, забезпечуючи згладжування тимчасових рядів і усунення випадкових коливань, які можуть негативно впливати на точність прогнозу. Застосування методів попередньої фільтрації дозволяє виділити основні закономірності в даних, що також підвищує точність моделей машинного навчання. Метод Random Forest вибрано не випадково: він добре підходить для завдань прогнозування, де необхідно враховувати багато різних факторів, які можуть по-різному впливати на результати в залежності від часу та регіону. Це особливо важливо у випадку прогнозування генерації енергії ФЕС, де на виробництво значно впливають такі змінні, як хмарність, температура, сезонність тощо. Використання Random Forest дозволяє враховувати нелінійні залежності та взаємодію між факторами, що сприяє підвищенню точності прогнозів. Застосування Random Forest як основного алгоритму машинного навчання зумовлене його гнучкістю та здатністю адаптуватися до різних умов, що дозволяє ефективно враховувати особливості генерації енергії в різних регіонах країни та у різні сезони року.
Посилання
A. Loureno, et al. “Comparison of forecasting models for photovoltaic power generation,” Energy Conversion and Management, no. 118, pp. 404-418, 2016.
Peter J. Brockwell and Richard A. Davis, Time Series: Theory and Methods, 2016. [Electronic resource]. Available: https://pdfarchived.net/list/time-series-theory-and-methods-peter-j-brockwell-4913414 .
Robert H. Shumway and David S. Stoffer, Time Series Analysis and Its Applications: With R Examples, 2017. [Electronic resource]. Available: http://pzs.dstu.dp.ua/DataMining/times/bibl/TimeSeries.pdf .
G. Zhang, “Time series forecasting using a hybrid ARIMA and neural network model,” Neurocomputing, no. 50, pp. 159-175. 2003. https://doi.org/10.1016/S0925-2312(01)00702-0 .
S. Borchani, et al. “Short-term solar power forecasting using machine learning techniques,” Renewable Energy, no. 116, Part A, pp. 729-743, 2018.
A. C. Cadena, et al. “Weather Forecasting for Photovoltaic Power Prediction Using Machine Learning Techniques,” Energies, no. 11(6), pp. 1362, 2018.
R. J. Hyndman,, and G. Athanasopoulos, Forecasting: principles and practice. OTexts. 2018. [Electronic resource]. Available: https://www.scirp.org/reference/referencespapers?referenceid=2849375 .
C. Zhang, Y. Guo, M. Li “A review of the development and application of artificial neural network models [J],” Computer Engineering and Applications, no. 57(11), pp. 57-69, 2021.
Yi Zhou, et al. “Prediction of photovoltaic power output based on similar day analysis, genetic algorithm and extreme learning machine,” Energy, no. 204, pp. 78-94, 2020.
D. Infield, and M. O’Malley, “A probabilistic forecast methodology for the management of renewable energy: The application of small-scale solar power,” IEEE Transactions on Power Systems, no. 22(3): 1147, pp. 1156, 2007.
Mittal, Amit Kumar, Kirti Mathur, and Shivangi Mittal, “A review on forecasting the photovoltaic power using machine learning,” Journal of Physics: Conference Series, vol. 2286, no. 1. IOP Publishing, 2022.
Ibrahim I. Anwar, M. J. Hossain, and Benjamin C. Duck, “An optimized offline random forests-based model for ultra-short-term prediction of PV characteristics,” IEEE Transactions on Industrial Informatics, no. 16.1, pp. 202-214, 2019.
Andreas C. Müller and Sarah Guido, Introduction to Machine Learning with Python: A Guide for Data Scientists, 2016.
Kumar Abhishek, et al. “A review and analysis of forecasting of photovoltaic power generation using machine learning,” International Conference on Management Science and Engineering Management. Cham: Springer International Publishing, 2022.
Lei Wen, and Xiaoyu Yuan. “Forecasting CO2 emissions in Chinas commercial department, through BP neural network based on random forest and PSO,” Science of the Total Environment, no. 718, pp. 137-194, 2020. ISSN 0048-9697. https://doi.org/10.1016/j.scitotenv.2020.137 .
A. Savitzky, M. J. E. Golay, “Smoothing and Differentiation of Data by Simplified Least Squares Procedures,” Analytical Chemistry, no.36(8), pp. 1627-1639, 1964.
Michel Talagrand, The Generic Chaining: Upper and Lower Bounds of Stochastic Processes, Springer-Verlag, 2005, 222 pp.
##submission.downloads##
-
pdf
Завантажень: 1
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, оскільки це сприяє продуктивним обмінам, а також швидшому і ширшому цитуванню опублікованих робіт (див. вплив відкритого доступу).
