Алгоритм прогнозирования выработки объекта генерации возобновляемой энергетики

В данной статье рассмотрено решение задачи определения плана выработки электроэнергии для объекта генерации, который представляет собой ветроэлектростанцию. Ветроэнергетика, как один из перспективных альтернативных способов получения энергии, сталкивается с высокой неопределенностью генерации из-за изменчивости метеорологических условий. Для решения задачи оптимизации плана выработки электроэнергии на ветроэлектростанции в данной работе применены методы машинного обучения, которые позволят анализировать большие объемы данных, получаемых от различных сенсоров и метеорологических станций. Использование моделей машинного обучения способствует точному прогнозированию выработки энергии, что в свою очередь позволяет оптимизировать работу ветроэлектростанции, в том числе за счет корректировки режимов для максимизации коэффициента использования установленной мощности. В работе рассматривалось несколько математических моделей – модель k-ближайших соседей, модель дерева принятия решений, модель случайного леса и градиентный бустинг. Данные модели были подобраны по критерию алгоритмической простоты – их обучение проходит относительно быстро, а также из-за независимости от типа данных. В ходе анализа полученных данных каждой модели была выбрана модель градиентного бустинга – за наименьшее время обработки данных получен наибольший коэффициент детерминации на валидационных данных. Также создан виртуальный интерфейс для более удобного ввода данных и визуализации результатов

1. Захожий К.А. Возобновляемые источники энергии. Colloquium-journal. 2020;28(80):57-58. https://doi.org/10.24412/2520-2480-2020-2880-57-58

2. Chen X., Zhang X., Dong M., Huang L., Guo Y., He S. Deep learning-based prediction of wind power for multi-turbines in a wind farm. Frontiers in Energy research. 2021;9:723775. https://doi.org/10.3389/fenrg.2021.723775

3. Song D., Zheng S., Yang S., Yang J., Dong M., Su M., et al. Annual energy production estimation for variable-speed wind turbine at high-altitude site. Journal of Modern Power Systems and Clean Energy. 2021;9(3):684-687. https://doi.org/10.35833/MPCE.2019.000240

4. Tukey J.W. Exploratory data analysis. Addison-Wesley Publishing Company, 1977. P. 688. Available at: https://archive.org/details/exploratorydataa0000tuke_7616/page/n3/mode/2up (accessed: 02.09.2025).

5. Флах П. Машинное обучение. Наука и искусство построения алгоритмов, которые извлекают знания из данных. Москва: ДМК Пресс, 2015. 400 с. Режим доступа: https://rusneb.ru/catalog/000199_000009_008646425/?ysclid=mli2b67snu451963270 (дата обращения: 02.09.2025).