Седляров, Є. В.Клен, К. С.2024-05-092024-05-092024Седляров, 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.https://ela.kpi.ua/handle/123456789/66725У 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%.ukметод найближчих сусiдiвпрогнозування потужностiкластеризацiясонячна енергiясонячна радiацiярегресiяnearest neighbor methodpower forecastingclusteringsolar energysolar irradiationregressionArticlePp. 39-46https://doi.org/10.20535/RADAP.2024.95.39-46621.317.38:519.254]:621.311.2430009-0004-3523-41110000-0002-6674-8332