Forecasting models of power consumption and loading of power systems with features of their functioning in the power market

Optimizing the Structure and Circuits of Wind and Solar Power Plants

“…В общем случае при решении оптимизационных задач под критерием подразумевают признак, на основании которого осуществляется оценка, а показатель -это числовое выражение критерия. Кроме того, известно, что под оптимизацией понимают процесс нахождения наилучшего решения какой-либо задачи с учётом заданных критериев и значений их показателей [16][17][18]. При этом простейшим способом оптимизации структурносхемного решения АСЭ является оптимизация по одному критерию, которая заключается в выборе варианта решения, наилучшим образом соответствующего единственной цели, к примеру, улучшить КПД или повысить показатели надёжности.…”

“…В общем случае основными этапами оптимизации структурно-схемного решения АСЭ при её проектировании являются [15,16]:…”

“…Окончательное принятие решения о структурно-схемном решении АСЭ должно приниматься после глубокого анализа результатов математического моделирования, позволяющего выполнить параметрический, структурный и многокритериальный анализ решения оптимизационной задачи [16].…”

Short-Term Forecasting of Power Consumption of Power Supply Companies Based on the Integration of Technologies of Analytical, Simulation and Expert Systems

“…Большое количество научных работ задачи по краткосрочному прогнозированию объемов электропотребления на основе искусственных нейронных сетей [6][7], методов анализа временных рядов, статистических моделей [8][9] и комбинированных методов [10] на предприятиях различных отраслей. Однако предложенные методы по отдельности не смогут обеспечить всесторонний анализ и прогнозирование объемов электропотребления на энергосбытовом предприятии, в связи с некоторыми ограничениями, к которым относятся: невозможность использования большого числа факторов, использование субъективных оценок, необходимость использования статистических выборок за большой период времени, требования-ми к техническим и программным инструментам.…”

Forecasting the daily energy load schedule of working days using meteofactors for the central power system of Mongolia

“…Эти методы можно разделить на две основные группы: классические методы и машинное обучение. Классические методы являются наиболее распространенными [5], к которым относятся аналитические, статистические и экспертные методы [7]. В настоящее время машинное обучение и искусственный интеллект сильно развиваются, основными видами машинного обучения в задачах прогнозирования электропотребления являются метод опорных векторов [8], нечеткая логика [9], нейронные сети [10,11] и ансамблемые модели [11,12].…”