Saulės elektrinių dienos energijos prognozavimas pagal orų prognozių duomenis

Ištrauka

Bakalauro baigiamasis darbas
Saulės elektrinių dienos energijos prognozavimas pagal orų prognozių duomenis

Turinys
Įvadas 5
1. Literatūros apžvalga 7
1.1. Saulės elektrinės . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7
1.2. Neuroniniai tinklai. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .7
1.3. Python . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .8
1.3.1. Keras . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .8
2. Duomenų analizė 9
2.1. Duomenų pasirinkimas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9
2.2. Tyrimo objektas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .9
2.2.1. Duomenų suvienodinimas 10
2.2.2. Duomenų papildymas 11
2.3. Duomenų analizė 11
3. Modelio sudarymas 14
3.1. Neuroninių tinklų modelis 14
3.2. Modelio tikslumo vertinimas 15
3.3. Modelio kūrimas 16
3.4. Modelio gerinimas 17
3.5. Išankstinis stabdymas 19
3.6. Tikslumo gerinimas naudojant LSTM modelį 21
3.7. Tolimesnis tikslumo gerinimas 23
4. Programa 24
5. Rezultatai 25
Išvados ir rekomendacijos 26
Literatūros šaltiniai 27
Priedai 29

Įvadas
Saulės energija, atsinaujinančios energijos dinamiškame kontekste, siūlo švarią ir
tvarią alternatyvą tradiciniams energijos šaltiniams. Toks energijos panaudojimas, gausus ir
draugiš- kas aplinkai, žada transformuoti mūsų energijos tinklus ir mažinti priklausomybę nuo
iškastinio kuro žaliavų.
Tačiau tiesioginės saulės šviesos nepastovumas kelia iššūkį nuosekliai saulės energi-
jos gamybai. Šviesos kiekio svyravimai per dieną, bei neprognozuojamos oro sąlygos, sukelia
energijos gamybos svyravimus. Šis nepastovumas trukdo sklandžiam saulės energijos integ-
ravimui į esamą energijos infrastruktūrą. Dėl šios priežasties būtina efektyvi saulės energijos
gamybos prognozavimo sistema. Tikslūs prognozavimai leidžia tinklo operatoriams ir energi-
jos planuotojams numatyti svyravimus, užtikrinant stabilų ir patikimą energijos tiekimą. Tai
pabrėžia prognozių modelių vaidmenį mažinant saulės nepastovumo įtaką ir optimizuojant
sau- lės energijos indėlį.
Šis darbas nagrinėja sudėtingą saulės energijos prognozavimo dinamiką, siekiant ištirti
metodikas, kurios padidina prognozių patikimumą. Analizuodami esamą literatūrą apie saulės
energijos prognozavimą ir jo poveikį tinklo stabilumui, šis tyrimas siekia prisidėti vertingomis
įžvalgomis į nuolatinius diskusijos procesus apie saulės energijos vaidmenį atsinaujinančios
energijos panaudojimo kontekste.
Darbo tikslas: Sukurti efektyvų saulės elektrinių generuojamos energijos prognozavi-
mo modelį, remiantis išsamiais orų prognozių duomenimis ir gerinti jo tikslumą.
Uždaviniai:
•Pasirinkti ir pasiruošti duomenis, kurie bus naudojami modelio apmokymui bei testavimui.
•Išnagrinėti orų veiksnius darančius tiesioginį poveikį saulės energijos gamybai, tokius
kaip saulės šviesos intensyvumas, temperatūra, debesuotumas, drėgmė.
•Paruošti ir apmokyti neuroninių tinklų modelį su pasirinktais duomenimis.
•Patikrinti kaip kinta mašininio mokymosi modelio tikslumas su skirtingais orų veiksniais.
•Palyginti skirtingus neuroninių tinklų modelius.
•Sukurti programą, kuri gebėtų su maža paklaida prognozuoti dienos saulės elektrinių
pa-gaminamos energijos kiekį.
•Identifikuoti ir...