Будь ласка, використовуйте цей ідентифікатор, щоб цитувати або посилатися на цей матеріал:
https://er.nau.edu.ua/handle/NAU/62925
Назва: | Machine learning techniques for the energy generation analysis and prediction |
Інші назви: | Методи машинного навчання для аналізу та прогнозування генерації енергії |
Автори: | Hulak, D. Гулак, Д |
Ключові слова: | forecasting renewable generation photovoltaic installations machine learning прогнозування відновлювальна генерація фотоелектричні установки машинне навчання |
Дата публікації: | бер-2024 |
Видавництво: | National Aviation University |
Бібліографічний опис: | Hulak D. Machine learning techniques for the energy generation analysis and prediction // Матеріали V Міжнародної науково-практичної конференції «Бізнес-аналітика: моделі, інструменти та технології». 5-6 бер. 2024. К.: НАУ, 2024. с.16-17 |
Короткий огляд (реферат): | The global energy landscape is rapidly shifting towards renewable
sources, notably photovoltaic (PV) installations. However, the PV reliance on
meteorological conditions poses challenges to grid stability. Leveraging machine
learning (ML) models offers a promising solution by accurately predicting energy
generation. ML's ability to tackle complex patterns and continuously learn from
historical data enables the development of adaptive forecasting models, enhancing the
efficiency of PV installations and advancing sustainable energy practices. Світовий енергетичний ландшафт швидко зміщується в бік відновлюваних джерел джерела, зокрема фотоелектричні (PV) установки. Однак PV покладається на метеорологічні умови створюють проблеми для стабільності мережі. Важелевий верстат Моделі навчання (ML) пропонують багатообіцяюче рішення шляхом точного прогнозування енергії покоління. Здатність ML працювати зі складними шаблонами та постійно вчитися на них історичні дані дозволяють розробляти адаптивні моделі прогнозування, посилюючи ефективність фотоелектричних установок і просування практик сталого використання енергії. |
Опис: | 1. International Energy Agency, “Solar PV”. URL: www.iea.org/energysystem/renewables/solar-pv. Accessed: Nov. 13, 2023. 2. Zazoum B. Solar photovoltaic power prediction using different machine learning methods. Energy Reports. 2022. Vol. 8. P. 19–25. doi: 10.1016/J.EGYR.2021.11.183. 3. Rodrigues S., Ramos H. G., Morgado-Dias F. Machine learning PV system performance analyser. Progress in Photovoltaics: Research and Applications. 2018. Vol. 26, no. 8. P. 675–687. doi: 10.1002/PIP.3060. |
URI (Уніфікований ідентифікатор ресурсу): | https://er.nau.edu.ua/handle/NAU/62925 |
Розташовується у зібраннях: | V Міжнародна науково-практична конференція «Бізнес-аналітика: моделі, інструменти та технології» 2024 |
Файли цього матеріалу:
Файл | Опис | Розмір | Формат | |
---|---|---|---|---|
16-17.pdf | 345.18 kB | Adobe PDF | Переглянути/Відкрити |
Усі матеріали в архіві електронних ресурсів захищені авторським правом, всі права збережені.