Со брзиот пораст на интеграцијата на фотоволтаични електрични централи (ФЕЦ) во електроенергетскиот систем (ЕЕС), соодветната прогниза на производство на електрична енергија од ФЕЦ станува суштинска за ефикасно управување со мрежата, учество на пазарот на електрична енергија, и енергетското планирање. Овој курс овозможува длабинско разбирање на прогнозата на производството од ФЕЦ со користење на вештачка интелигенција (ВИ) и машинско учење (МУ). Учесниците ќе стекнат напредни вештини за развој на сигурни и интерпретабилни модели за прогнозирање.
Преглед на курсот
| Поглавје | Детали |
| Партнер | Нема |
| Наслов | Прогноза на производство на Фотоволтаични електрични централи |
| Услуга | Обука |
| Целна група | Големи и мали ФЕЦ, и прозјумери |
| Формат | Настава во живо или вебинар |
| Фокус на клучни технологии | Вештачка интелигенција, машинско учење, конформна прогноза |
| Статус | Подготвен за понуда |
| Засегнати страни од МСП/ЈА | Големи ФЕЦ и инвеститори во обновливи извори на енергија |
| Барања за учество | Основни познавања од фотоволтаични системи |
| Проценето времетраење | Повеќедневно |
Техничка основа и примери
Производството на ФЕЦ е по природа варијабилно поради зависноста од временските услови. Оваа варијабилност претставува предизвик за операторите на електроенергетскиот систем и трговците со енергија. За справување со тоа, се применува сѐ повеќе ВИ и МУ за прогноза на производството на ФЕЦ за различни временски хоризонти. Курсот опфаќа:
- Инженеринг на карактеристики за прогноза на производството на ФЕЦ: Интеграција на клучни влезни податоци како температура, зрачење, временски карактеристики (час, ден, сезона) и системски параметри за подобрување на перформансите на моделот.
- Модели базирани на ВИ и МУ за прогноза на производството на ФЕЦ: Примена на модели базирани на ВИ и МУ како Decision Trees, Random Forests и невронски мрежи за прогноза на сложени, нелинеарни дијаграми на производството на ФЕЦ.
- Споредба со традиционални методи: Евалуација на тоа како моделите базирани на ВИ и МУ ги надминуваат класичните статистички методи во однос на точност, робустност и приспособливост.
- Прогноза на производството на ФЕВ: Фокус на сценарија за прогноза на производството на ФЕЦ еден ден однапред за подобрување на работата на мрежата, трговијата со електрична енергија и планирање на големи соларни електрани.
- Практична работа со реални податоци: Вежби со употреба на Python и реални сетови на податоци за развој, тренирање и оценка на модели за прогноза, подготвени за реална примена.
Преку користење на реални податоци, алатки како Python и практични вежби, студентите ќе креираат модели за прогноза на производството на ФЕЦ и ќе ги тестираат во реални услови.
Детално објаснување на основните концепти
Курсот започнува со инженеринг на карактеристики за прогноза на производството на ФЕЦ, со фокус на временски карактеристики (час, ден, сезона), вклучување на метеоролошки податоци (температура, зрачење) и вклучување на технички податоци на ФЕЦ. Овие влезни параметри се клучни за подобрување на точноста и сигурноста на моделите.
Потоа, се разгледуваат различни модели базирани на вештачка интелигенција и машинско учење — како што се Decision Trees, Random Forests и невронски мрежи — како модели за ефикасно прогнозирање на производството од ФЕЦ. Курсот исто така ги споредува овие пристапи со традиционални статистички модели, истакнувајќи ги предностите на моделите базирани на МУ и ВИ во однос на точносат, прилагодливоста и робустноста. Посебен акцент е ставен на прогнозирањто на производствот на ФЕЦ еден ден однапред, подготвувајќи ги учесниците за реални предизвици.. Преку практични вежби со Python и алатки како Pandas, NumPy, Plotly, Matplotlib, Scikit-learn и PyTorch, учесниците ќе изградат и оценат комплетни модели за прогноза на производството на ФЕЦ со користење на реални податоци.
Предлог-агенда на курсот
Прв дел: Вовед во прогнозирањето на производството на ФЕЦ
- Основи на ФЕЦ
- Непостојаност и непредвидливост на производството од ФЕВ
- Предизвици при прогнозирање на производството од ФЕЦ временски услови)
- Конвенционални модели на прогноза спрема модели за прогноза базирани на машинско учење и вештачка интелигенција
Втор дел: Регресиони методи за прогноза на производството на ФЕЦ
- Линеарна и полиномна регресија – трендови и нелинеарност
- Синусоидална регресија – Моделирање на периодичните повторување на производството од ФЕЦ
- Вејвлет регресија– Моделирање на повeќестепено повторување на производството од ФЕЦ
Трет дел: Концепти на машинското учење и вештачката интелигенција
- Надгледувано и ненадгледувано учење – разлики и нивна примена
- Тренирање, валидација и тестирање
- Идентификација на клучни фактори значајни за прогнозата на производството од ФЕЦ
- Преобучување наспроти подобучување
Четврт дел: Алгоритми на машинско учење и вештачка интелегенција
- k-Nearest Neighbors, Neural Network Regression, Decision Trees & Random Forests,
Петти дел: Определување на грешка со користење на различни метрики
- Средна апсолутна грешка (MAE)
- Средна квадратна грешка (MSE)
- Споредба на модели со користење на крос валидација и перформанси на моделите
Шести дел: Студија на случај
- Прогноза на производството од ФЕЦ за кровни и големи ФЕЦ и студија на случај
Заклучок
Оваа обука ги комбинира напредните техники на ВИ и МУ со практични сценарија на прогноза, со цел да им обезбеди на учесниците алатки за реално прогнозирање на производството од ФЕЦ. По завршување на курсот, учесниците ќе можат да развиваат, евалуираат и имплементираат модели за прогноза базирани на ВИ и МУ. Практичните сесии и насочената имплементација го прават овој курс вредно искуство за професионалци од енергетскиот сектор и истражувачи.
Дополнителни информации за курсот
| Категорија | Детали |
| Стекнати вештини | Учесниците ќе стекнат знаења и вештини, вклучувајќи: |
| Вештина 1: Подготовка и процесирање на реални податоци за производство на ФЕЦ и меторолошки податоци
Вештина 2: Имплементирање на модели за надгледувано МУ за прогноза на временски серии Вештина 3: Евалуација и валидација на модели за прогноза на производството од ФЕЦ со употреба на практични метрики и техники за визуелизација |
|
| Методи на учење | Предавања |