Please use this identifier to cite or link to this item: https://er.nau.edu.ua/handle/NAU/62925
Title: Machine learning techniques for the energy generation analysis and prediction
Other Titles: Методи машинного навчання для аналізу та прогнозування генерації енергії
Authors: Hulak, D.
Гулак, Д
Keywords: forecasting
renewable generation
photovoltaic installations
machine learning
прогнозування
відновлювальна генерація
фотоелектричні установки
машинне навчання
Issue Date: Mar-2024
Publisher: National Aviation University
Citation: 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
Abstract: 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.
Description: 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: https://er.nau.edu.ua/handle/NAU/62925
Appears in Collections:V Міжнародна науково-практична конференція «Бізнес-аналітика: моделі, інструменти та технології»

Files in This Item:
File Description SizeFormat 
16-17.pdf345.18 kBAdobe PDFView/Open


Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.