Пожалуйста, используйте этот идентификатор, чтобы цитировать или ссылаться на этот ресурс: http://elar.urfu.ru/handle/10995/140611
Название: Краткосрочное прогнозирование генерации фотоэлектрических станций с применением методов машинного обучения : магистерская диссертация
Другие названия: Short-term Forecasting of Photovoltaic Power Plant Generation Using Machine Learning Methods
Авторы: Мыльникова, А. В.
Mylnikova, A. V.
Научный руководитель: Ерошенко, С. А.
Eroshenko, S. A.
Дата публикации: 2024
Издатель: б. и.
Библиографическое описание: Мыльникова, А. В. Краткосрочное прогнозирование генерации фотоэлектрических станций с применением методов машинного обучения : магистерская диссертация / А. В. Мыльникова ; Уральский федеральный университет имени первого Президента России Б. Н. Ельцина, Уральский энергетический институт, Кафедра электротехники. — Екатеринбург, 2024. — 73 с. — Библиогр.: с. 60-65 (50 назв.).
Аннотация: This work addresses the issues of improving the accuracy of forecasting the generation of photovoltaic power plants based on open meteorological data using machine learning methods and a preprocessing algorithm for the initial data.
В работе рассматриваются вопросы повышения точности прогнозирования генерации фотоэлектрических станций на открытых метеорологических данных с использованием методов машинного обучения, и алгоритма предварительной обработки исходных данных.
Ключевые слова: MASTER'S THESIS
RENEWABLE ENERGY SOURCES
GENERATION FORECASTING
SHORT-TERM FORECASTING
ENSEMBLE ALGORITHMS
MACHINE LEARNING
МАГИСТЕРСКАЯ ДИССЕРТАЦИЯ
ВОЗОБНОВЛЯЕМЫЕ ИСТОЧНИКИ ЭНЕРГИИ
ПОРГНОЗИРОВАНИЕ ГЕНЕРАЦИИ
КРАТКОСРОЧНОЕ ПРОГНОЗИРОВАНИЕ
АНСАМБЛЕВЫЕ АЛГОРИТМЫ
МАШИННОЕ ОБУЧЕНИЕ
URI: http://elar.urfu.ru/handle/10995/140611
Условия доступа: Предоставлено автором на условиях простой неисключительной лицензии
Текст лицензии: http://elar.urfu.ru/handle/10995/31613
Располагается в коллекциях:Магистерские диссертации

Файлы этого ресурса:
Файл Описание РазмерФормат 
m_th_a.v.mylnikova_2024.pdf1,84 MBAdobe PDFПросмотреть/Открыть


Все ресурсы в архиве электронных ресурсов защищены авторским правом, все права сохранены.