Šiame tyrime nagrinėjamas valandinis saulės fotovoltinių elektrinių energijos prognozavimas Lietuvoje, lyginant tiesioginio ir dviejų pakopų prognozavimo strategijas. Analizei taikyti kelių grupių modeliai: klasikiniai mašininio mokymosi modeliai – atraminių vektorių modelis (SVM), atsitiktinių miškų modelis (RF) ir ekstremalaus gradientinio stiprinimo modelis (XGBoost), bei gilieji neuroniniai tinklai – ilgos trumpalaikės atminties (LSTM) ir laikinis suliejimo transformeris (TFT). Tiesioginio prognozavimo strategijoje (kai modelis tiesiogiai prognozuoja energijos gamybą, naudodamas meteorologinius duomenis) geriausi dieninės paklaidos rezultatai gauti naudojant XGBoost modelį šiaurės ir centrinėje elektrinėse, kur dienos svorinė vidutinė absoliuti procentinė paklaida (DWMAPE) siekė atitinkamai 13,24 % ir 16,25 %, o pietinėje elektrinėje geriausius rezultatus pasiekė TFT modelis, pasiekęs 12,68 % DWMAPE. Dviejų pakopų strategijos pirmoje pakopoje bendros dienos energijos prognozėms tiksliausi modeliai skyrėsi tarp elektrinių: šiaurės elektrinėje geriausius rezultatus pasiekė RF modelis, centrinėje – SVM, o pietinėje – TFT. Antroje pakopoje valandinių proporcijų prognozėse visose elektrinėse geriausi rezultatai gauti naudojant RF modelį. Galutiniai rezultatai parodė, kad tiesioginio prognozavimo strategija visose trijose elektrinėse buvo tikslesnė už dviejų pakopų strategiją. Tiesioginio prognozavimo strategijoje XGBoost pasižymėjo mažiausia rezultatų sklaida (σ = 1,56) pagal DWMAPE tarp visų elektrinių. Dviejų pakopų prognozavimo strategijos pirmoje pakopoje mažiausia rezultatų sklaida pasižymėjo SVM modelis (σ = 1,66), o antroje pakopoje – XGBoost modelis (σ = 1,12).
This work is licensed under a Creative Commons Attribution 4.0 International License.
