Тестирование системы прогноза выработки солнечной энергии на других видах генерации, разработанной в сотрудничестве учеными НГТУ НЭТИ и УрФУ, пройдет в 2021 году Уральском федеральном университете. Старший преподаватель НГТУ НЭТИ Станислав Ерошенко рассказал, что екатеринбургские и новосибирские ученые 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), используются лишь для определенного типа станций. Созданная же российскими учеными система 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», — рассказала о перспективах исследования ведущий инженер кафедры автоматизированных электрических систем Уральского федерального университета Александра Хальясмаа.
Идея разработки возникла в ходе реализации совместного проекта УрФУ и компании «Прософт-Системы», также использовавшего идею прогнозирования генерации на возобновляемых источниках энергии на основе алгоритмов машинного обучения. Затем НГТУ НЭТИ инициировал совместное научное направление двух университетов «Обработка, анализ и представление данных в электроэнергетических системах».
В рамках создания системы уральский вуз занимается разработкой технологической части, а новосибирский — разработкой программной реализации проекта на основе алгоритмов машинного обучения. Самым интересным в проекте оказалось эффективность применения алгоритмов машинного обучения от разработчиков НГТУ НЭТИ для решения представленных задач и новые корреляции, неявные зависимости, которые удалось выявить в рамках задачи оперативного прогнозирования.
