Saulės jėgainių sukuriamos galios prognozavimo metodų tyrimas
Serackis, Artūras | Recenzentas / Rewiewer |
Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Šio magistro darbo tikslai yra atlikti keleto alternatyvių galios prognozavimo metodų analizę ir palyginimą, kas įgyvendinama išanalizuojant 10 skirtingų metodų. Toliau norint paruošti duomenų surinkimo ir analizės sistemą eksperimentiniams metodų tyrimams yra naudojami privatūs UAB Elseta duomenys bei prietaisai, bei vieši orų prognozės ir istoriniai duomenys, išnagrinėjami 3 prognozavimo modeliai kurie literatūros šaltiniuose pateikiami kaip esantys tiksliausi. Taip pat siekiant ištirti ir pasiūlyti intelektualiuoju metodu pagrįstą saulės jėgainių sukuriamos galios prognozavimo metodą yra išnagrinėjamas LSTM modelis, jis optimizuojamas ir pritaikomas skirtinguose eksperimentuose su skirtingais duomenų rinkiniais. Tyrime išryškėja galimybė pagerinti modelio veiksmingumą koreguojant konkrečius mokymo parametrus, tokius kaip epochų skaičius, mokymo ir testavimo duomenų rinkinių pasiskirstymas ir žingsnio dydis. Atliktas tyrimas leidžia daryti išvadą, kad tinkamai pritaikius LSTM modelius galima pateikti patikimas prognozes, padedančias geriau integruoti saulės energiją į energijos tinklą.Darbo apimtis: 56 p. teksto be priedų, 35 paveikslai, 5 programiniai kodai,13 lentelių ir 23 formulės
The objectives of this Master's thesis are to analyze and compare several alternative power forecasting methods, which is achieved by analyzing 10 different methods. In order to prepare a data acquisition and analysis system for the experimental study of the methods, private data and instruments from UAB Elseta, as well as public weather forecasts and historical data are used, and 3 forecasting models are analyzed, which are presented as the most accurate in the literature. Also, in order to investigate and propose an intelligent method based forecasting method for the power generated by solar power plants, the LSTM model is examined, optimized and applied in different experiments with different datasets. The study highlights the possibility to improve the performance of the model by adjusting specific training parameters such as the number of epochs, the distribution of training and testing datasets and the step size. The study concludes that, if properly applied, LSTM models can provide reliable predictions for better integration of solar energy into the grid.Scope of work: 56 pages of text without appendices, 35 figures, 5 program codes, 13 tables and 23 formulas