Застосування методів штучного інтелекту для прогнозування виробництва енергії з альтернативних джерел

Abstract

Кваліфікаційна робота розглядає застосування методів штучного інтелекту для прогнозування виробництва енергії з альтернативних джерел. У роботі запропоновано використання машинного навчання для покращення точності прогнозування генерації енергії в ізольованих енергетичних системах, зокрема в системах, що використовують відновлювальні джерела енергії (ВДЕ). Увага приділена прогнозуванню енергоспоживання з урахуванням змінних погодних умов, сезонності та інших факторів, таких як географічне розташування. Окремо розглядаються методи прогнозування, засновані на штучних нейронних мережах, та їх ефективність у порівнянні з традиційними статистичними методами. Дослідження показало, що машинне навчання дозволяє значно покращити точність прогнозування, зокрема у випадках високої волатильності та зміни кліматичних умов. Також проаналізовано використання різних математичних моделей для прогнозування енергоспоживання і генерації, зокрема рекурентних нейронних мереж та інших моделей машинного навчання. Робота має практичне значення для планування генерації енергії в умовах змінного енергетичного попиту та є важливим кроком у розвитку інтелектуальних енергетичних систем.

The qualification work focuses on the application of artificial intelligence methods for forecasting energy production from alternative sources. The study proposes the use of machine learning to improve the accuracy of energy generation forecasting in isolated energy systems, particularly those using renewable energy sources (RES). Special attention is given to energy consumption forecasting, considering changing weather conditions, seasonality, and other factors such as geographical location. The paper also examines forecasting methods based on artificial neural networks and their effectiveness compared to traditional statistical methods. The study showed that machine learning significantly improves forecasting accuracy, especially in cases of high volatility and changing climate conditions. Various mathematical models for forecasting energy consumption and generation are also analyzed, including recurrent neural networks and other machine learning models. The work has practical significance for energy generation planning under varying energy demand conditions and represents an important step in the development of intelligent energy systems.