Прогнозування вироблення електроенергії за допомогою рекурентних нейронних мереж

Abstract

Магістерська кваліфікаційна робота виконана студенткою групи КНСШ-21 Кошлань Оленою Юріївною. Тема “Прогнозування вироблення електроенергії за допомогою рекурентних нейронних мереж”. Робота направлена на здобуття ступеня магістр за спеціальністю 122 «Комп’ютерні науки». Об’єктом дослідження є програма для прогнозування вироблення електроенергії. Предметом досліджень є методи та алгоритми, які застосовуються при аналізі та прогнозуванні вироблення електроенергії. Досягнення поставленої мети здійснюється за допомогою прогнозування вироблення електроенергії, використовуючи рекурентну нейронну мережу з урахуванням погодних умов. У рамках дослідження виконано моделювання системи, що базується на застосуванні різноманітних алгоритмів машинного навчання. Для цього було використано реальний набір даних, що включає інформацію про роботу сонячної електростанції, для детального аналізу та точного прогнозування вироблення енергії. У результаті виконання дипломної роботи було створено гібридну систему обчислювального інтелекту, що поєднує переваги різних підходів машинного навчання. Було розроблено програмну реалізацію цієї системи, яка дозволяє аналізувати роботу різних методів машинного навчання для прогнозування, налаштовувати та оптимізувати гіперпараметри для найвищої ефективності, а також проводити аналіз результатів навчання рекурентної нейронної мережі на основі реальних даних сонячної станції. Загальний обсяг роботи: 94 сторінок, 38 рисунків, 29 посилань. Master's qualification work was completed by the student of group KNSSH-21, Olena Yuriyivna Koshlan. The topic is “Energy Production Forecasting Using Recurrent Neural Networks.” The work is aimed at obtaining a Master's degree in specialty 122 "Computer Science." The object of the research is a program for forecasting energy production. The subject of the research is the methods and algorithms applied in the analysis and forecasting of energy production. The achievement of the set goal is carried out through electricity generation forecasting using a recurrent neural network that takes weather conditions into account. Within the framework of the research, a system simulation was performed, based on the application of various machine learning algorithms. For this purpose, a real dataset containing information about the operation of a solar power plant was utilized for detailed analysis and accurate energy generation forecasting. As a result of the thesis work, a hybrid computational intelligence system was created, combining the advantages of different machine learning approaches. A software implementation of this system was developed, enabling the analysis of the performance of various machine learning methods for forecasting, the tuning and optimization of hyperparameters for maximum efficiency, as well as the evaluation of the training results of a recurrent neural network based on real data from the solar power plant. Total work volume: 94 pages, 38 figures, 29 references.