ASU News

Программа зарегистрирована в Роспатенте, она предназначена для оценки и прогнозирования выработки энергии от возобновляемых источников энергии, позволяя оценить на основе ретроспективных метеорологических данных объемы вырабатываемой энергии. С помощью экспериментальных данных была построена и проверена математическая модель прогнозирования выработки энергии. Точность прогнозирования достигает 91-95% в зависимости от выбранной модели.

Программный модуль прогнозирования выработки энергии от возобновляемых источников на основе рекуррентных нейронных сетей с оптимизацией гиперпараметров модели «OptRNN 1.0» разработан в лаборатории возобновляемых источников энергии Адыгейского государственного университета, созданной в рамках нацпроекта «Наука и университеты». В разработке программы принимали участие сотрудники лаборатории ВИЭ Павел Бучацкий, Стефан Онищенко, Семён Теплоухов и Дмитрий Лисов.

Республика Адыгея обладает большим потенциалом для комплексного использования геотермальных ресурсов, ветроэнергетики, солнечных электростанций, созданию малых гидроэлектростанций. Прогнозирование объемов энергии, вырабатываемой возобновляемыми источниками энергии, является сложной задачей из-за высокой степени неопределенности поступления возобновляемой энергии. Низкая точность прогнозов и отсутствие гибкости в выборе подходящих методов оценки затрудняют эффективное планирование и использование ресурсов от возобновляемых источников энергии, что может снижать экономическую эффективность и надежность систем, использующих возобновляемые источники энергии.

Модуль прогнозирования выработки энергии от возобновляемых источников, разработанный в лаборатории ВИЭ АГУ, основан на использовании рекуррентных нейронных сетей. Нейронные сети – это математические модели, копирующие работу человеческого мозга, которые используются для обучения машин, анализа данных, распознавания образов и решения сложных задач. Рекуррентные нейронные сети (англ. recurrent neural network, RNN) содержат обратные связи – несколько копий одной и той же сети, каждая из которых передает информацию последующей копии. Использование RNN в прогнозировании может обеспечить повышенную точность (по сравнению с традиционными методами), так как позволяет учитывать не только текущие входные данные для прогнозирования, но и дополнительную ретроспективную информацию.

При разработке программного модуля в лаборатории ВИЭ использовали рекуррентные нейронные сети для анализа различных параметров (относительная влажность, атмосферное давление, температура окружающей среды, скорость и направление ветра), влияющих на работу возобновляемых источников энергии. Учет прогнозных данных позволяет повысить уровень интеграции ВИЭ в энергосистему и обеспечить большую точность оценки технического потенциала ВИЭ. Точность прогнозирования разработанного в АГУ модуля достигает 91-95% в зависимости от выбранной модели.

Для реализации программы использовались различные методы машинного обучения: модели линейной регрессии, случайного леса, LSTM, GRU. Используемый набор моделей позволяет произвести выбор наиболее подходящей из них для конкретных условий и имеющегося набора данных, а встроенные алгоритмы оптимизации с использованием библиотеки Optima, - адаптировать параметры моделей, повышая их точность и устойчивость к изменениям входных данных.