Информационно - коммуникационные и химические технологии
№ 1 (22) - 2024 / 2024-03-31 / Кол. просмотров: 78
ПРОГНОЗИРОВАНИЕ ВЫХОДНОЙ МОЩНОСТИ ФОТОЭЛЕКТРИЧЕСКОЙ СИСТЕМЫ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ
Авторы
Ключевые слова
прогнозирования, машинное обучение, солнечная энергетика, архитектура нейронной сети., коэффициент детерминации, среднеквадратическая ошибка
DOI ссылка:
Как цитировать
Құттыбай, Н., Ш. Айтбекова, Н. . Қошқарбай, А. . Болатбек, и Б. . Жоламанов. «ПРОГНОЗИРОВАНИЕ ВЫХОДНОЙ МОЩНОСТИ ФОТОЭЛЕКТРИЧЕСКОЙ СИСТЕМЫ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ». Вестник КазУТБ, т. 1, вып. 22, март 2024 г., doi:10.58805/kazutb.v.1.22-255.
Құттыбай, Н., Ш. Айтбекова, Н. . Қошқарбай, А. . Болатбек, и Б. . Жоламанов. «ПРОГНОЗИРОВАНИЕ ВЫХОДНОЙ МОЩНОСТИ ФОТОЭЛЕКТРИЧЕСКОЙ СИСТЕМЫ НА ОСНОВЕ НЕЙРОННЫХ СЕТЕЙ». Вестник КазУТБ, т. 1, вып. 22, март 2024 г., doi:10.58805/kazutb.v.1.22-255.
Аннотация
В ходе научного исследования была проведена детальная оценка эффективности прогнозирования мощности фотоэлектрических систем с использованием двух различных моделей, а именно LSTM и XGBoost. Эксперименты включали в себя оценку моделей при помощи разнообразных метрик, в том числе MAE, R2 и RMSPE, на основе временных данных, ограниченных одним днем. Полученные результаты подтверждают высокую точность обеих моделей, несмотря на ограниченные объемы данных. Особенно важно отметить, что модель XGBoost продемонстрировала впечатляющий коэффициент детерминации (R2) в 0,99 при прогнозировании мощности солнечной панели, в то время как модель LSTM показала удовлетворительные результаты с R2, равным 0,06. При анализе прогнозирования излучения также выявлено, что модель XGBoost достигла высокого R2 в 0,97, в то время как модель LSTM показала хорошие результаты с R2, равным 0,67. Эти результаты подчеркивают успешную способность глубоких моделей в предсказании производства фотоэлектрических систем, обеспечивая стабильность и надежность прогнозов. Полный исследовательский анализ представлен в данной статье.
