Полное описание

Энгель, Екатерина Александровна. Методы машинного обучения для задач прогнозирования и максимизации выработки электроэнергии солнечной электростанции = Machine learning methods for solar power generation maximizing and forecasting / Е. А. Энгель, Н. Е. Энгель. - DOI 10.17308/sait/1995-5499/2023/2/146-170. - Текст : непосредственный // Вестник Воронежского государственного университета. Серия: Системный анализ и информационные технологии = Proceedings of Voronezh State University. Series: Systems Analysis and Information Technologies : научный журнал. - 2023. - N 2. - С. 146-170. - Библиогр. в конце ст. - ISSN 1995-5499.

ГРНТИ	УДК
28.23.29	004.89
28.23.25	004.85
28.23.37	004.032.26
44.37	620.91:662.997
	620.91:004.8

Рубрики:
Интеллектуальные системы -- Применение
Машинное обучение -- Применение
Нейронные сети -- Применение
Искусственный интеллект -- Применение в электроэнергетике
Солнечная энергетика

Кл.слова (ненормированные): глубокие нейронные сети -- сверточные нейронные сети -- MPPT -- прогнозирование выработки солнечной электростанции -- фотоэлектрический модуль -- солнечная электростанция -- методы машинного обучения
Аннотация: Системы прогнозирования и максимизации выработки электроэнергии солнечной электростанции на основе методов машинного обучения повышают эффективность солнечной электростанции и, таким образом, актуальны в соответствии с приоритетным направлением развития науки, технологий и техники в РФ, с приоритетом государственной энергетической политики "Энергетической стратегии на период до 2035 года" и утвержденными правительственной комиссией по высоким технологиям и инновациям технологическими платформами: "Интеллектуальная электроэнергетическая система России", "Малая распределённая энергетика". Системы выработки электроэнергии солнечной электростанции имеют сложную нелинейную динамику с неопределенностями, обусловленными изменением параметров системы и флуктуациями инсоляции. Таким образом, аппроксимировать эту сложную динамику классическими алгоритмами с заданной точностью нельзя, в то время как алгоритмы машинного обучения обеспечивают требуемую точность. Методы машинного обучения становятся ключевыми элементами современных систем прогнозирования и максимизации выработки электроэнергии солнечной электростанции в связи с растущим спросом на высокопроизводительный анализ данных с целью повышения эффективности и надежности солнечной электростанции. При решении задач прогнозирования и максимизации выработки электроэнергии солнечной электростанции алгоритмы машинного обучения в сравнении с традиционными алгоритмами обеспечивают следующие преимущества: требуемую точность решения указанных задач; безопасное и эффективное управления электрическими сетями, интегрирующими солнечные электростанции. В отличие от других обзорных статей, наше исследование: кратко обобщает наши интеллектуальные самоадаптирующиеся интеллектуальные системы прогнозирования и максимизации выработки электроэнергии солнечной электростанции; обобщает аналитический обзор в таблицах, отражающих сравнительный анализ качества, в том числе точности, систем прогнозирования и максимизации выработки электроэнергии солнечной электростанции на основе алгоритмов машинного обучения; оценивает перспективы будущей цифровой трансформации солнечной энергетики в умную солнечную энергетику на основе интегрированных передовых технологий, в том числе машинного обучения.
Доп. точки доступа:
Энгель, Никита Евгеньевич


Нет сведений об экземплярах
Держатели документа:
Государственная публичная научно-техническая библиотека России : 123298, г. Москва, ул. 3-я Хорошевская, д. 17 (Шифр в БД-источнике (KATBW): -514024-388808)

Шифр в сводном ЭК: 331a39d616245c89082941117223a168

Заказать
Заказ фрагмента документа ₽