Алгоритм пiдвищення точностi прогнозування вихiдної потужностi сонячної електростанцiї при застосуваннi методу найближчих сусiдiв

Скорочена інформація про документ
dc.contributor.authorСедляров, Є. В.
dc.contributor.authorКлен, К. С.
dc.date.accessioned2024-05-09T07:02:18Z
dc.date.available2024-05-09T07:02:18Z
dc.date.issued2024
dc.description.abstractУ статтi наведено метод прогнозування вихiдної потужностi сонячної електростанцiї на основi методу регресiї найближчих сусiдiв. Для створення прогнозу вихiдної потужностi використано данi з сонячної електростанцiї в Китаї потужнiстю 50 МВт, що має данi значень сонячної радiацiї, навколишньої температури, тиску та вологостi i вiдповiднi їм значення вихiдної потужностi в перiод з 01.01.2019 до 31.12.2020 з дискретнiстю 15 хвилин. Перед використанням даних проведено їх очищення вiд викидiв методом стандартного мiжквартильного розмаху, роздiлення точок даних на тестову та тренувальну групи i застосовано масштабування ознак методом стандартизацiї для коректного обчислення Евклiдової дистанцiї мiж точками даних. Запропоновано застосування кластеризацiї погодних параметрiв методом k-середнiх, що дозволяє провести iндивiдуальний вибiр кiлькостi сусiдiв для кожного кластеру i виключити вплив точок одного кластеру на кiлькiсть сусiдiв iншого кластеру. Кiлькiсть кластерiв обирається за допомогою визначення коефiцiєнта силуету, тренувальна група погодних параметрiв з вiдповiдними їм значеннями вихiдної потужностi розподiляється по кластерам на основi Евклiдової вiдстанi до центроїд кластерiв. Тестова група погодних параметрiв розподiляється по кластерам, пiсля чого прогнозування методом найближчих сусiдiв вiдбувається в межах кожного кластеру окремо. Вихiдна потужнiсть сонячної електростанцiї розраховується як середня арифметична зважена потужностей сусiдiв кожної точки тестової групи. В кiнцi алгоритму послiдовнiсть точок погодних параметрiв тестової групи вiдновлюється i створюється часовий ряд прогнозу вихiдної потужностi. Запропонований алгоритм дозволив зменшити похибки прогнозу MSE, RMSE, MAPE, MAE на 1 день на 0,5348, 0,2265, 0,38%, 0,1448 вiдповiдно, на 7 днiв похибки стали меншими на 0,1992, 0,0384, 0,1%, 0,0193 вiдповiдно. В результатi вiдносна похибка при прогнозуваннi на 24 години складає 4,22%.
dc.description.abstractotherThis paper presents the prediction of the output power of a solar power plant based on the nearest neighbor regression method. Data from a 50 MW solar power plant in China with solar radiation, ambient temperature, pressure, and humidity values and corresponding output power values from 01/01/2019 to 12/31/2020 with 15-minute intervals were used to create the output power forecast. Before using the data, they were cleaned of outliers using the standard interquartile range method, data points were divided into test and training groups, and feature scaling was applied using the standardization method to correctly calculate the Euclidean distance between data points. The application of clustering of weather parameters by the k-means method is proposed, which allows for individual selection of the number of neighbors for each cluster and to exclude the influence of points of one cluster on the number of neighbors of another cluster. The number of clusters is selected by determining the silhouette coefficient, the training group of weather parameters with their corresponding output power values is distributed among clusters based on the Euclidean distance to the centroid of the clusters. The test group of weather parameters is divided into clusters, after which forecasting by the method of nearest neighbors takes place within each cluster separately. The output power of the solar power plant is calculated as the weighted arithmetic average of the neighbors of each point of the test group. At the end of the algorithm, the sequence of points of weather parameters of the test group is restored and a time series of the output power forecast is created. The proposed algorithm made it possible to reduce the MSE, RMSE, MAPE, MAE forecast errors for 1 day by 0.5348, 0.2265, 0.38%, 0.1448, respectively, for 7 days, the errors became smaller by 0.1992, 0.0384, 0.1%, 0.0193, respectively. As a result, the relative error in forecasting for 24 hours is 4.22%.
dc.format.pagerangePp. 39-46
dc.identifier.citationСедляров, Є. В. Алгоритм пiдвищення точностi прогнозування вихiдної потужностi сонячної електростанцiї при застосуваннi методу найближчих сусiдiв / Седляров Є. В., Клен К. С. // Вісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць. – 2024. – Вип. 95. – С. 39-46. – Бібліогр.: 23 назви.
dc.identifier.doihttps://doi.org/10.20535/RADAP.2024.95.39-46
dc.identifier.orcid0009-0004-3523-4111
dc.identifier.orcid0000-0002-6674-8332
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/66725
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.relation.ispartofВісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць, Вип. 95
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectметод найближчих сусiдiв
dc.subjectпрогнозування потужностi
dc.subjectкластеризацiя
dc.subjectсонячна енергiя
dc.subjectсонячна радiацiя
dc.subjectрегресiя
dc.subjectnearest neighbor method
dc.subjectpower forecasting
dc.subjectclustering
dc.subjectsolar energy
dc.subjectsolar irradiation
dc.subjectregression
dc.subject.udc621.317.38:519.254]:621.311.243
dc.titleАлгоритм пiдвищення точностi прогнозування вихiдної потужностi сонячної електростанцiї при застосуваннi методу найближчих сусiдiв
dc.title.alternativeAlgorithm for Increasing Accuracy of Solar Power Forecasting When Applying Nearest Neighbor Method
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
1966-6013-1-10-20240330.pdf
Розмір:
746.65 KB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Вісник НТУУ «КПІ». Радіотехніка, радіоапаратобудування : збірник наукових праць, Вип. 95