Мустафаев А.Г. Нейросетевая модель прогнозирования уровня солнечной энергии для задач альтернативной энергетики

Аннотация: Одной из проблем сдерживающих развитие активного использования возобновляемых источников энергии является определение оптимального размещения ветровой или солнечной электростанции на земной поверхности. В данной работе разработана модель прогнозирования уровня солнечной энергии в регионе, позволяющая выбрать наиболее эффективное место для расположения солнечной электростанции. Прогноз об уровне солнечной энергии дается при помощи искусственной нейронной сети прямого распространения, обученной на основе данных метеорологических станций, при помощи алгоритма обратного распространения. Проектирование нейронной сети проводилось при помощи пакета Neural Network Toolbox из MATLAB 8.6 (R2015b). Сравнение результатов прогноза уровня солнечной энергии искусственной нейронной сети с актуальными значениями показывают хорошую корреляцию. Это подтверждает возможность использования искусственных нейронных сетей для моделирования и прогнозирования в регионах где отсутствуют данные об уровне солнечной энергии, но есть иные данные метеорологических станций.

Ключевые слова:

Abstract: One of the problems hampering the development of the active use of renewable energy is to determine the optimal placement of wind and solar power plants on the earth's surface. The paper presents a model for predicting the level of solar energy in the region allowing choosing the most effective location for solar power location. The forecast of the level of solar energy is given using an artificial neural network of direct distribution educated on the basis of meteorological stations data using the back-propagation algorithm. Designing a neural network was carried out with the Neural Network Toolbox package of MATLAB 8.6 (R2015b). Comparison of results of forecasting solar energy performed by artificial neural network level with the current values shows a good correlation. This confirms the possibility of using artificial neural networks for modeling and forecasting in regions where there are no data on the level of solar energy, but some other data of meteorological stations is present.

Keywords: