Методи обробки геопросторових даних для визначення технічного потенціалу відновлюваних джерел енергії
| dc.contributor.advisor | Аушева, Наталія Миколаївна | |
| dc.contributor.author | Кардашов, Олександр Вадимович | |
| dc.date.accessioned | 2026-06-26T14:15:14Z | |
| dc.date.available | 2026-06-26T14:15:14Z | |
| dc.date.issued | 2026 | |
| dc.description.abstract | Кардашов О.В. Методи обробки геопросторових даних для визначення технічного потенціалу відновлюваних джерел енергії. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 122 Комп’ютерні науки. - Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2026. Дисертаційна робота присвячена вирішенню задачі підвищення точності просторового розподілу даних за упорядкованим каркасом точок із використанням методів геостатистичної інтерполяції та прогнозування проміжних значень методами машинного навчання в області оцінювання технічного потенціалу генерації електричної енергії за допомогою відновлювальних джерел енергії. Актуальність дослідження полягає в підвищенні точності просторового розподілу даних вхідного каркасу точок для поверхонь із однорідними та неоднорідними морфометричними і кліматичними параметрами. Застосування моделей машинного навчання для задачі прогнозування проміжних значень упорядкованого каркасу точок є перспективним напрямком досліджень в галузі відновлювальної енергетики для підвищення точності просторового розподілу відновлювального ресурсу в умовах гірських територій з нерівномірною орографією та кліматичними умовами, параметри яких використовуються моделлю машинного навчання для підвищення точності прогнозування. Об’єктом дослідження є процеси обробки, аналізу та моделювання геопросторових даних для застосування в галузі відновлювальної енергетики. Предметом дослідження виступають моделі та методи просторового моделювання на неупорядкованому розрідженому каркасі точок та обчислювальні алгоритми для розрахунку технічного потенціалу генерації відновлювальної енергетики. Метою дисертаційної роботи є створення методів прогнозування проміжних значень каркасу точок на основі регресійних та геостатистичних методів інтерполяції для удосконалення методів визначення потенціалу генерації відновлювальної енергетики. У ході виконання дослідження було розглянуто можливості удосконалення методів просторового моделювання геопросторових даних для задач оцінювання технічного потенціалу відновлюваних джерел енергії шляхом поєднання геостатистичних методів інтерполяції та методів прогнозування на основі машинного навчання. Уперше запропоновано метод просторового моделювання на неупорядкованому каркасі точок із використанням характеристик поверхні та середовища, у межах якого проміжні значення цільової характеристики визначаються прогнозуванням моделі машинного навчання що враховує вхідну вибірку предикторів, що у порівнянні із геостатистичними методами інтерполяції у класичних реалізаціях не обмежується виключно просторовою автокореляцією. Визначення проміжних значень здійснюється шляхом прогнозування методом Random Forest, послідовно використовуючи набори предикторів, що складаються виключно із морфометричних параметрів та комбінації морфометричних і кліматичних параметрів, що у межах виконаних експериментів забезпечило підвищення точності просторового моделювання відновлювального ресурсу порівняно із методом Ordinary kriging, та, відповідно, продемонструвало вищу точність прогнозування моделі, що була натренована на комбінованій вибірці морфометричних та кліматичних параметрів, у порівнянні із моделлю, що була натренована виключно на вибірці морфометричних параметрів. Вперше формалізовано опис геоданих для просторового моделювання на неупорядкованому каркасі точок, за яким визначається склад, класи та правила просторово-часового узгодження вхідних ознак, а також процедури отримання проміжних значень поверхні у точках, що не належать вхідному каркасу точок. У запропонованій моделі, геостатистичні методи застосовуються як статистично обґрунтований базис просторових оцінок і контролю невизначеності, тоді як регресійні моделі забезпечують багатовимірне врахування рельєфних і кліматичних коваріатів та нелінійних залежностей. Удосконалено модель оцінювання технічного потенціалу генерації електроенергії за рахунок інтеграції комбінації геостатистичних методів інтерполяції та прогнозування на основі машинного навчання в етап просторового розподілу відновлювального ресурсу. Модель реалізує адаптивний підхід до формування неперервного поля ресурсу залежно від та складності морфометричних і кліматичних умов території, та типу вхідних даних, котрі в практичній реалізації представляються спостереженнями метеостанцій, даними реаналізу або комбінованими вибірками з різних джерел. У межах подальших етапів визначення технічного потенціалу, модель поєднує шар географічного потенціалу, шар доступного відновлюваного ресурсу, карту придатності як зваженого інтегрального індексу, що агрегує жорсткі обмеження та небінарні критерії та процес обчислення максимальної встановленої потужності з виробітком електроенергії. Удосконалено методику формування вхідного набору даних для просторового розподілу шляхом розв’язання задачі регресії з узгодження недостовірної вибірки з достовірною за вузловими значеннями. Підхід передбачає оцінювання зміщення даних реаналізу відносно наземних спостережень і подальшу корекцію ресурсних значень, що підвищує узгодженість вхідної інформації перед виконанням інтерполяції або прогнозування проміжних значень та зменшує вплив систематичних похибок на підсумкові оцінки потенціалу. Практичне значення отриманих результатів визначається створенням прикладної системи оцінювання технічного потенціалу ВДЕ, у якій етап визначення кількості доступного відновлювального ресурсу підтримує альтернативні сценарії просторового моделювання. Реалізовано адаптивну модель із варіативними сценаріями формування шару ресурсу, що забезпечує вибір методу залежно від складу та якості вхідних даних і типу території з різнорідними морфометричними та кліматичними умовами, а також надає можливості для сценарного порівняння результатів за різними системами просторових обмежень. Для кожної визначеної придатної ділянки обчислюються показники максимально можливої встановленої потужності та енергетичного виробітку з урахуванням ресурсу і технологічних припущень, після чого виконуються агрегація за множиною ділянок та формування інтегральних оцінок території. Розроблено програмно-алгоритмічну схему обробки даних для формування неперервного поля ресурсу, яка включає модулі корекції даних реаналізу за значеннями опорних спостереженнями метеостанцій та даних реаналізу типу MERRA-2 від NASA POWER і модулі прогнозування проміжних значень за каркасом точок. Використання морфометричних і кліматичних предикторів у складі вхідних ознак забезпечує урахування орографічної та атмосферної неоднорідності, що є важливим для регіонів зі складним рельєфом і локально мінливістю кліматичних умов. Сформовані результати представляються у стандартизованих форматах геоданих – векторних шарів та растрових зображень, придатних для подальшого просторового аналізу, формування карти придатності та розрахунків показників технічного потенціалу. Апробацію моделі для вітрової енергетики на території України виконано з отриманням інтегральних оцінок максимальної встановленої потужності та потенціалу виробітку з урахуванням порогових значень коефіцієнта використання встановленої потужності. Встановлено, що при КВНП ≥ 0.2 технічний потенціал ВЕС для території України становить 726 365 МВт та 1 594 749 млн кВт·год/рік, а при КВНП ≥ 0.25 - 406 721 МВт та 1 040 634 млн кВт·год/рік, що демонструє вплив критерію відбору придатних зон на підсумкові оцінки та практичну придатність моделі для порівняння варіантів відбору територій за рівнем ефективності генерації. Апробацію моделі для сонячної енергетики виконано шляхом обчислення максимальної встановленої потужності та річної генерації на основі визначення географічного потенціалу території України та технологічних параметрів розміщення фотоелектричних модулів. За підсумком агрегації по території України визначено сумарну доступну площу для СЕС від 1 МВт 101 945.8746 км², і становить приблизно 17% території України, що відповідає площі встановлених ФЕМ 40 311.5 км², 8 062 300 МВт максимальної встановленої потужності та 10 030 497.41 млн кВт·год/рік теоретично досяжної річної генерації. Отримані результати формують взаємопов’язаний набір модулів для просторового аналізу та моделювання ресурсних обмежень, орієнтовану на отримання оцінок потенціалу ВДЕ в умовах неоднорідності вхідних спостережень і різної складності кліматичних та рельєфних умов. Запропоновані рішення можуть застосовуватися як елемент геоінформаційних систем підтримки планування розвитку ВДЕ та для порівняльного аналізу альтернативних наборів просторових обмежень і сценаріїв моделювання ресурсу. | |
| dc.description.abstractother | Kardashov O.V. Methods of Processing Geospatial Data to Determine the Technical Potential of Renewable Energy Sources. — Qualifying scientific work on manuscript rights. Dissertation for obtaining the scientific degree of Doctor of Philosophy in specialty 122 Computer Science. – National Technical University of Ukraine “Igor Sikorsky Kyiv Polytechnic Institute”, Kyiv, 2026. The dissertation is devoted to solving the problem of improving the accuracy of the spatial distribution of data over an ordered point framework by using geostatistical interpolation methods and predicting intermediate values with machine-learning techniques in the context of assessing the technical potential of electricity generation from renewable energy sources. The relevance of the study lies in improving the accuracy of the spatial distribution of data in the input point framework for surfaces with homogeneous and heterogeneous morphometric and climatic parameters. The application of machinelearning models to the problem of predicting intermediate values of an ordered point framework is a promising research direction in renewable energy, as it increases the accuracy of the spatial distribution of renewable resources in mountainous areas with uneven orography and climatic conditions, whose parameters are used by the machine-learning model to improve predictive accuracy. The object of the research is the processes of processing, analysis, and modeling of geospatial data for application in the renewable energy domain. The subject of the research comprises models and methods of spatial modeling on an irregular sparse point framework and computational algorithms for calculating the technical potential of renewable energy generation. The aim of the dissertation is to develop methods for predicting intermediate values of a point framework based on regression and geostatistical interpolation methods in order to improve approaches to determining the generation potential of renewable energy. In the course of the research, opportunities were examined for enhancing spatial modeling methods for geospatial data in tasks of assessing the technical potential of renewable energy sources by combining geostatistical interpolation methods with machine-learning-based prediction methods. For the first time, a spatial modeling method for an irregular point framework is proposed that uses surface and environmental characteristics, within which intermediate values of the target variable are determined by forecasting with a machine-learning model that accounts for an input set of predictors and, unlike classical implementations of geostatistical interpolation, is not limited solely to spatial autocorrelation. Intermediate values are determined using the Random Forest method, sequentially applying predictor sets that consist exclusively of morphometric parameters and of combinations of morphometric and climatic parameters. Within the conducted experiments, this provided an improvement in the accuracy of spatial modeling of the renewable resource compared with Ordinary Kriging and, accordingly, demonstrated higher predictive accuracy for the model trained on the combined morphometric and climatic dataset than for the model trained solely on morphometric parameters. For the first time, a formalized description of geodata for spatial modeling on an irregular point framework has been developed, defining the composition, classes, and rules for spatiotemporal harmonization of input features, as well as procedures for obtaining intermediate surface values at points that do not belong to the input point framework. In the proposed model, geostatistical methods are applied as a statistically grounded basis for spatial estimates and uncertainty control, whereas regression models provide multidimensional consideration of terrain and climatic covariates and nonlinear relationships. The model for assessing the technical potential of electricity generation has been improved by integrating a combination of geostatistical interpolation methods and machine-learning-based prediction into the stage of spatial distribution of the renewable resource. The model implements an adaptive approach to forming a continuous resource field depending on the complexity of the area’s morphometric and climatic conditions and on the type of input data, which in practical implementations are represented by meteorological station observations, reanalysis data, or combined samples from different sources. At subsequent stages of determining technical potential, the model combines a geographic potential layer, an available renewable resource layer, a suitability map as a weighted integral index aggregating hard constraints and non-binary criteria, and a process for computing maximum installed capacity and electricity output. The methodology for forming the input dataset for spatial distribution has been improved by addressing a regression problem aimed at reconciling an unreliable sample with a reliable one at nodal values. The approach involves estimating the bias of reanalysis data relative to ground-based observations and subsequently correcting resource values, which increases the consistency of input information prior to interpolation or prediction of intermediate values and reduces the impact of systematic errors on final potential estimates. The practical significance of the obtained results is determined by the development of an applied system for assessing the technical potential of renewable energy sources, in which the stage of determining the amount of available renewable resource supports alternative spatial modeling scenarios. An adaptive model with variable scenarios for forming the resource layer has been implemented, enabling the selection of a method depending on the composition and quality of input data and the type of territory with heterogeneous morphometric and climatic conditions, as well as providing capabilities for scenario-based comparison of results under different systems of spatial constraints. For each identified suitable site, the maximum possible installed capacity and energy yield are computed with account for the resource and technological assumptions, followed by aggregation across the set of sites and the formation of integrated territorial estimates. A software-and-algorithmic data processing scheme for forming a continuous resource field has been developed, including modules for correcting reanalysis data using reference observations from meteorological stations and MERRA-2 reanalysis data from NASA POWER, as well as modules for predicting intermediate values over a point framework. The use of morphometric and climatic predictors as input features ensures consideration of orographic and atmospheric heterogeneity, which is important for regions with complex terrain and locally variable climatic conditions. The generated results are presented in standardized geodata formats—vector layers and raster images—suitable for further spatial analysis, suitability mapping, and calculations of technical potential indicators. The model was validated for wind energy in Ukraine, yielding integrated estimates of maximum installed capacity and generation potential under threshold values of the capacity factor (CF). It was established that, for CF ≥ 0.2, the technical potential of wind power plants across Ukraine amounts to 726.365 MW and 1594749 million kWh/year, and for CF ≥ 0.25 it amounts to 406721 MW and 1040634 million kWh/year, demonstrating the influence of suitability-zone selection criteria on final estimates and the practical applicability of the model for comparing land-selection variants by generation efficiency. The model was validated for solar energy by computing maximum installed capacity and annual generation based on determining the geographic potential of Ukraine and technological parameters for the placement of photovoltaic modules. As a result of aggregation over the territory of Ukraine, the total available area for solar power plants with a capacity of 1 MW and above was determined to be 101945.8746 km², which is approximately 17% of Ukraine’s territory; this corresponds to an installed PV module area of 40311.5 km², 8062300 MW of maximum installed capacity, and 10030497.41 million kWh/year of theoretically achievable annual generation. The obtained results form an interconnected set of modules for spatial analysis and modeling of resource constraints, oriented toward producing estimates of renewable energy potential under heterogeneous input observations and varying complexity of climatic and terrain conditions. The proposed solutions can be applied as an element of geoinformation systems supporting renewable energy development planning and for comparative analysis of alternative sets of spatial constraints and resource modeling scenarios. | |
| dc.format.extent | 208 с. | |
| dc.identifier.citation | Кардашов, О. В. Методи обробки геопросторових даних для визначення технічного потенціалу відновлюваних джерел енергії : дис. … д-ра філософії : 122 Комп’ютерні науки / Кардашов Олександр Вадимович. – Київ, 2026. – 208 с. | |
| dc.identifier.uri | https://ela.kpi.ua/handle/123456789/81966 | |
| dc.language.iso | uk | |
| dc.publisher | КПІ ім. Ігоря Сікорського | |
| dc.publisher.place | Київ | |
| dc.subject | моделювання | |
| dc.subject | інтерполяція та прогнозування геоданих на каркасі точок | |
| dc.subject | кригінг | |
| dc.subject | нейронні мережі | |
| dc.subject | машинне навчання | |
| dc.subject | класифікація зображень | |
| dc.subject | корекція даних реаналізу | |
| dc.subject | просторове прогнозування на каркасі точок | |
| dc.subject | дискретизована регулярна сітка | |
| dc.subject | геопросторовий аналіз | |
| dc.subject | геоінформаційне моделювання | |
| dc.subject | відновлювана енергетика | |
| dc.subject | відновлювані джерела енергії | |
| dc.subject | оцінювання технічного потенціалу ВДЕ | |
| dc.subject | modelling | |
| dc.subject | geodata interpolation and prediction on a point grid | |
| dc.subject | kriging | |
| dc.subject | neural networks | |
| dc.subject | machine learning | |
| dc.subject | image classification | |
| dc.subject | reanalysis data bias correction | |
| dc.subject | spatial prediction on a point grid | |
| dc.subject | discretized regular grid | |
| dc.subject | geospatial analysis | |
| dc.subject | geoinformation modeling | |
| dc.subject | renewable energy | |
| dc.subject | renewable energy sources | |
| dc.subject | assessment of the technical potential of renewable energy generation | |
| dc.subject.udc | 004.94 | |
| dc.title | Методи обробки геопросторових даних для визначення технічного потенціалу відновлюваних джерел енергії | |
| dc.title.alternative | Methods of Processing Geospatial Data to Determine the Technical Potential of Renewable Energy Sources | |
| dc.type | Thesis Doctoral |
Файли
Контейнер файлів
1 - 1 з 1
Ліцензійна угода
1 - 1 з 1
Ескіз недоступний
- Назва:
- license.txt
- Розмір:
- 8.98 KB
- Формат:
- Item-specific license agreed upon to submission
- Опис: