Інтелектуальна система прогнозування інтенсивності сонячної енергії з системою підтримки прийняття рішень

Abstract

Магістерська робота на тему «Інтелектуальна система прогнозування інтенсивності сонячної енергії з системою підтримки прийняття рішень» складається зі вступу, чотирьох розділів, висновків, списку використаних джерел і додатків. Загальний обсяг роботи становить 83 сторінок основного тексту, містить 11 рисунків, 7 таблиць, 28 бібліографічних найменувань за переліком посилань та 2 додатків. Актуальність теми. Зростання ролі відновлюваних джерел енергії та потреба у підвищенні ефективності роботи сонячних електростанцій визначають актуальність створення інтелектуальних систем прогнозування. Точне передбачення інтенсивності сонячної іррадіації забезпечує стабільну генерацію електроенергії, ефективне використання акумуляторних потужностей, зниження навантаження на мережу та економічну доцільність функціонування малих і середніх фотоелектричних систем. Мета дослідження: розробити інтелектуальну систему прогнозування інтенсивності сонячної енергії з підтримкою прийняття рішень, яка на основі методів машинного навчання та OLAP-технологій забезпечує точне прогнозування генерації і формування рекомендацій щодо оптимізації роботи сонячної енергосистеми. Об’єкт дослідження: процес прогнозування інтенсивності сонячної енергії на основі технічних, метеорологічних і географічних факторів. Предмет дослідження: методи, моделі та програмні засоби інтелектуального прогнозування сонячної генерації з використанням технологій Data Mining, сховищ даних і систем підтримки прийняття рішень. Методи дослідження. У роботі застосовано методи машинного навчання (лінійна регресія, ансамблеві методи: bagging, boosting), статистичного аналізу, розвідувального аналізу даних (EDA), побудови аналітичних OLAP-кубів, а також функціонального і об’єктно-орієнтованого моделювання (UML-діаграми прецедентів, послідовності, діяльності). Наукова новизна полягає у створенні комплексної моделі прогнозування інтенсивності сонячної енергії, що поєднує алгоритми машинного навчання з багатовимірним аналізом даних у середовищі системи підтримки прийняття рішень. Розроблена модель забезпечує підвищення точності прогнозу за рахунок інтеграції даних з джерела, сховища та OLAP-рівня. Практичне значення отриманих результатів полягає у реалізації прототипу програмної системи на мові Python з використанням бібліотек scikit-learn, pandas, matplotlib, Tkinter, інтегрованої з базою даних Microsoft SQL Server і сховищем даних (Data Warehouse). Система дозволяє здійснювати прогнозування сонячної генерації для приватних домогосподарств і надавати рекомендації з оптимізації енергоспоживання. Апробація результатів. Результати магістерської роботи апробовані під час розроблення програмного модуля в середовищі Python із використанням бібліотек машинного навчання (scikit-learn, xgboost, pandas, matplotlib), створення бази даних, сховища даних і побудови аналітичного OLAP-куба. Тестування виконувалося на реальних даних, що містять метеорологічні параметри, характеристики сонячних панелей, інверторів, рівень хмарності, сезонність і фактичну генерацію енергії.

Structure and scope of work. The master’s thesis “Intelligent System for Forecasting Solar Energy Intensity with Decision Support System” consists of an introduction, four chapters, conclusions, a list of references, and appendices. The total volume of the work is 83 pages of main text, including 11 figures, 7 tables, 28 bibliographic references, and 2 appendices. Actuality of theme. The growing role of renewable energy sources and the need to increase the efficiency of solar power plants determine the relevance of developing intelligent forecasting systems. Accurate forecasting of solar irradiance ensures stable power generation, efficient use of storage capacity, reduction of network loads, and economic feasibility of small and medium photovoltaic systems. The aim of the research is to develop an intelligent system for forecasting solar energy intensity with decision support capabilities based on machine learning and OLAP technologies, enabling accurate generation prediction and recommendations for optimizing solar energy system performance. Object of the research: the process of forecasting solar energy intensity based on technical, meteorological, and geographical factors. Subject of the research:methods, models, and software tools for intelligent solar energy forecasting using Data Mining technologies, data warehouses, and decision support systems. Research methods. The study employs machine learning methods (linear regression, ensemble methods – bagging, boosting), statistical analysis, exploratory data analysis (EDA), OLAP cube construction, and functional and object-oriented modeling (UML use case, sequence, and activity diagrams). Scientific novelty lies in the development of a comprehensive model for forecasting solar energy intensity that combines machine learning algorithms with multidimensional analytical processing in a decision support environment. The proposed model improves prediction accuracy by integrating data from the source, data warehouse, and OLAP levels. Practical significance of the results is the implementation of a prototype software system developed in Python using the scikit-learn, pandas, matplotlib, and Tkinter libraries, integrated with Microsoft SQL Server and a data warehouse. The system enables solar energy forecasting for private households and provides recommendations for optimizing energy consumption. Approbation of results. The results of the master’s thesis were tested during the development of a Python-based software module using machine learning libraries (scikit-learn, xgboost, pandas, matplotlib), the creation of a database, data warehouse, and the construction of an analytical OLAP cube. Testing was carried out on real datasets containing meteorological parameters, solar panel and inverter characteristics, cloudiness levels, seasonality, and actual monthly energy generation