ЕКАТЕРИНБУРГ, 10 декабря (BigpowerNews) — Ученые Уральского федерального
университета (УрФУ) в 2021 году протестируют разработанную с Новосибирским
государственным техническим университетом (НГТУ) систему, прогнозирующую
выработку энергии на солнечных электростанциях, на других видах возобновляемых
источников энергии, сообщила ТАСС ведущий инженер кафедры автоматизированных
электрических систем Уральского федерального университета Александра
Хальясмаа
Старший преподаватель НГТУ Станислав Ерошенко ранее сообщал ТАСС о том, что
ученые НГТУ и УрФУ создали на основе алгоритмов машинного обучения систему,
прогнозирующую выработку энергии на солнечных электростанциях с точностью до
90%. В отличие от традиционной энергетики, в которой выработка мощностей
станций предсказуема и управляема, электростанции на альтернативных источниках
энергии полностью зависят от погодных условий. Существующие зарубежные системы,
прогнозирующие выработку энергии (в частности, солнечных электростанций),
достаточно специфичны, потому что используются для определенного типа станций.
Созданная же российскими учеными система прогнозирования универсальна и
применима для всех солнечных электростанций.
«В следующем году мы планируем тестирование разработанной модели в новой
лаборатории Essence Уральского энергетического института УрФУ, реализованной в
рамках одноименного проекта совместно с Евросоюзом […] для других видов
станций, функционирующих на возобновляемых источниках энергии», — сообщила
собеседница агентства.
По ее словам, идея разработки появилась после окончания совместного проекта
с компанией «Прософт-Системы», также использовавшего идею прогнозирования
генерации на возобновляемых источниках энергии на основе алгоритмов машинного
обучения. После этого в НГТУ родилось новое совместное научное направление двух
университетов «Обработка, анализ и представление данных в электроэнергетических
системах».
В рамках создания системы уральский вуз занимается разработкой
технологической части проекта, в то время как новосибирский — разработкой
программной реализации данного проекта на основе алгоритмов машинного обучения.
«Самым интересным в проекте оказалось эффективность применения алгоритмов
машинного обучения для решения представленных задач и новые корреляции, неявные
зависимости, которые удалось выявить в рамках задачи оперативного
прогнозирования», — рассказала Хальясмаа.