| DC Field | Value | Language |
|---|
| dc.contributor.author | Степанов, С. М. | - |
| dc.contributor.author | Искра, Н. А. | - |
| dc.date.accessioned | 2018-06-08T08:36:09Z | - |
| dc.date.available | 2018-06-08T08:36:09Z | - |
| dc.date.issued | 2018 | - |
| dc.identifier.citation | Степанов, С. М. Нейросетевое прогнозирование генерации электроэнергии солнечными панелями / С. М. Степанов, Н. А. Искра // Доклады БГУИР. - 2018. - № 3 (113). - С. 26 - 31. | ru_RU |
| dc.identifier.uri | https://libeldoc.bsuir.by/handle/123456789/31842 | - |
| dc.description.abstract | Предметом исследования данной статьи является анализ влияния применения различных
методов регрессии на качество краткосрочного предсказания генерации электрической энергии
солнечными панелями. Для решения задачи предсказания выбраны многослойный персептрон и деревья
принятия решений. При постановке эксперимента используются реальные данные о генерации
электрической энергии. Наилучший показатель коэффициента детерминации составил 0,94. | ru_RU |
| dc.language.iso | ru | ru_RU |
| dc.publisher | БГУИР | ru_RU |
| dc.subject | доклады БГУИР | ru_RU |
| dc.subject | солнечная энергия | ru_RU |
| dc.subject | модель предсказания | ru_RU |
| dc.subject | регрессия | ru_RU |
| dc.subject | многослойный персептрон | ru_RU |
| dc.subject | деревья принятия решений | ru_RU |
| dc.subject | solar power | ru_RU |
| dc.subject | prediction model | ru_RU |
| dc.subject | regression | ru_RU |
| dc.subject | multilayer perceptron | ru_RU |
| dc.subject | decision trees | ru_RU |
| dc.title | Нейросетевое прогнозирование генерации электроэнергии солнечными панелями | ru_RU |
| dc.title.alternative | Neural network forecasting of energy generation by solar panels | ru_RU |
| dc.type | Статья | ru_RU |
| local.description.annotation | The main purpose of this paper is analysis of various regression methods application on quality
of short-term solar PV forecasting. Multilayer perceptron and decision trees were chosen in order to solve
prediction problem. Real historical data on solar PV forecasting are used as experimental datasets. The best
coefficient of determination was 0.94. | - |
| Appears in Collections: | №3 (113)
|
