Сочетание моделей на 13% улучшило прогнозы выработки солнечной энергии
Ученые объединили несколько моделей машинного обучения и повысили точность прогнозирования выработки солнечных электростанций. Эффективность разных методов зависела от особенностей региона.
МОСКВА, 4 августа /Новости науки/. Ученые улучшили суточные прогнозы выработки солнечной энергии на величину до 13%. Об этом говорится в статье в Journal of Cleaner Production.
Точные прогнозы необходимы энергетическим компаниям для поддержания баланса между производством и потреблением электричества. Количество энергии, поступающей от солнечных станций, зависит от погоды и может заметно меняться в течение суток.
«Объединение нескольких моделей машинного обучения может обеспечить более надежные прогнозы и помочь повысить надежность интеграции солнечной энергии в энергосистемы», — рассказал соавтор работы Андерсон де Кейрос.
Исследователи протестировали семь статистических моделей и искусственных нейронных сетей. Для их обучения использовали сведения о погоде и производстве электричества двумя энергетическими компаниями Калифорнии с января 2019 года по декабрь 2022 года. В общей сложности набор включал более 20 тыс. часов эксплуатационных данных.
Наиболее стабильно работала двунаправленная нейросеть с долговременной кратковременной памятью — BiLSTM. Ее результаты ученые использовали как основу для сравнения с двумя методами, объединяющими прогнозы нескольких моделей.
Первый метод присваивал больший вес моделям, точнее работавшим в конкретной местности. Он улучшил прогнозы для Имперского ирригационного округа на величину до 11%.
По словам авторов, универсального метода прогнозирования для всех территорий не существует. Эффективность моделей зависит от местного климата, сезонных изменений и количества доступных метеорологических наблюдений. Поэтому подобные системы необходимо отдельно настраивать и проверять для каждого региона.
Точные прогнозы необходимы энергетическим компаниям для поддержания баланса между производством и потреблением электричества. Количество энергии, поступающей от солнечных станций, зависит от погоды и может заметно меняться в течение суток.
«Объединение нескольких моделей машинного обучения может обеспечить более надежные прогнозы и помочь повысить надежность интеграции солнечной энергии в энергосистемы», — рассказал соавтор работы Андерсон де Кейрос.
Исследователи протестировали семь статистических моделей и искусственных нейронных сетей. Для их обучения использовали сведения о погоде и производстве электричества двумя энергетическими компаниями Калифорнии с января 2019 года по декабрь 2022 года. В общей сложности набор включал более 20 тыс. часов эксплуатационных данных.
Наиболее стабильно работала двунаправленная нейросеть с долговременной кратковременной памятью — BiLSTM. Ее результаты ученые использовали как основу для сравнения с двумя методами, объединяющими прогнозы нескольких моделей.
Первый метод присваивал больший вес моделям, точнее работавшим в конкретной местности. Он улучшил прогнозы для Имперского ирригационного округа на величину до 11%.
По словам авторов, универсального метода прогнозирования для всех территорий не существует. Эффективность моделей зависит от местного климата, сезонных изменений и количества доступных метеорологических наблюдений. Поэтому подобные системы необходимо отдельно настраивать и проверять для каждого региона.
