bsuirДоклады БГУИРDoklady BGUIR1729-76482708-0382БГУИРbsuir-978Research ArticleСтатьиНЕЙРОСЕТЕВОЕ ПРОГНОЗИРОВАНИЕ ГЕНЕРАЦИИ ЭЛЕКТРОЭНЕРГИИ СОЛНЕЧНЫМИ ПАНЕЛЯМИNeural network forecasting of energy generation by solar panelsСтепановС. М.StepanovS. M.siargei.stepanov@gmail.comИскраН. А.IskraN. A.noemail@neicon.ruБелорусский государственный университет информатики и радиоэлектроникиBelarusian state university of informatics and radioelectronics201803062019032631Copyright © Степанов С.М., Искра Н.А., 20192019Степанов С.М., Искра Н.А.Stepanov S.M., Iskra N.A.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://doklady.bsuir.by/jour/article/view/978

Предметом исследования данной статьи является анализ влияния применения различных методов регрессии на качество краткосрочного предсказания генерации электрической энергии солнечными панелями. Для решения задачи предсказания выбраны многослойный персептрон и деревья принятия решений. При постановке эксперимента используются реальные данные о генерации электрической энергии. Наилучший показатель коэффициента детерминации составил 0,94.

The main purpose of this paper is analysis of various regression methods application on quality of short-term solar PV forecasting. Multilayer perceptron and decision trees were chosen in order to solve prediction problem. Real historical data on solar PV forecasting are used as experimental datasets. The best coefficient of determination was 0.94.

солнечная энергиямодель предсказаниярегрессиямногослойный персептрондеревья принятия решенийsolar powerprediction modelregressionmultilayer perceptrondecision treesReferencesHuang R., Huang T., Gadh R. Solar Generation Prediction using the ARMA Model in a Laboratory-level Micro-grid // IEEE Third International Conference on Smart Grid Communications. 2012. P. 528-533.Huang R., Huang T., Gadh R. Solar Generation Prediction using the ARMA Model in a Laboratory-level Micro-grid // IEEE Third International Conference on Smart Grid Communications. 2012. P. 528-533.Bacher P. Short-term Solar Power Forecasting // Technical University of Denmark. 2008. P. 109.Bacher P. Short-term Solar Power Forecasting // Technical University of Denmark. 2008. P. 109.Leung I.J.H., Jordan J.E. Image processing for weather satellite cloud segmentation // Electrical and Computer Engineering. 1996. P. 953-956.Leung I.J.H., Jordan J.E. Image processing for weather satellite cloud segmentation // Electrical and Computer Engineering. 1996. P. 953-956.Fine-grained photovoltaic output prediction using Bayesian Ensemble / Prithwish Chakraborty [et al.] // AAAI. 2012. P. 7.Fine-grained photovoltaic output prediction using Bayesian Ensemble / Prithwish Chakraborty [et al.] // AAAI. 2012. P. 7.Хайкин С. Нейронные сети. Полный курс. М.: Вильямс, 2006. 1104 с.Хайкин С. Нейронные сети. Полный курс. М.: Вильямс, 2006. 1104 с.Tom M.M. Machine Learning. Boston, Massachusetts, 1997. 52 p.Tom M.M. Machine Learning. Boston, Massachusetts, 1997. 52 p.Patrick K.W., Sonja S.T. A practical introduction to econometric methods: classical and modern. University of the West Indies Press, 2002. 307 p.Patrick K.W., Sonja S.T. A practical introduction to econometric methods: classical and modern. University of the West Indies Press, 2002. 307 p.Anaconda [Электронный ресурс]. - URL: https://www.anaconda.com (дата обращения: 01.12.2017).Anaconda [Электронный ресурс]. - URL: https://www.anaconda.com (дата обращения: 01.12.2017).Diederik P.K., Jimmy B.A. A method of stochastic optimization // 3rd ICLR. San Diego, 2015. P. 15.Diederik P.K., Jimmy B.A. A method of stochastic optimization // 3rd ICLR. San Diego, 2015. P. 15.Friedman J.H. Greedy Function Approximation: A Gradient boosting machine // IMS Reitz Lecture. 1999. P. 44.Friedman J.H. Greedy Function Approximation: A Gradient boosting machine // IMS Reitz Lecture. 1999. P. 44.

The authors declare that there are no conflicts of interest present.