Технології BIG DATA в прогнозуванні генерації сонячної енергії

Олександр  Васильєв; Сергій  Зубенко

doi:10.25140/2411-5363-2026-2(44)-584-599

Автор(и)

Олександр Васильєв Київський національний університет імені Тараса Шевченка ННІ «Інститут геології», Україна https://orcid.org/0009-0009-2177-7859
Сергій Зубенко Київський національний університет імені Тараса Шевченка ННІ «Інститут геології» , Україна https://orcid.org/0009-0008-1166-4693

DOI:

https://doi.org/10.25140/2411-5363-2026-2(44)-584-599

Ключові слова:

великі дані, Big Date, оптимізація виробництва сонячної енергії, прогнозування

Анотація

У дослідженні розглянуто можливості застосування технологій Big Data для прогнозування генерації сонячної електроенергії. Проаналізовано особливості часових рядів виробництва електроенергії з відновлюваних джерел та вплив природно-кліматичних чинників на змінність генерації. Для дослідження використано відкритий набір даних Open Power System Data, що містить погодинні показники виробництва енергії. Проведено попередню обробку та статистичний аналіз даних, виконано декомпозицію часових рядів і побудовано алгоритм прогнозування.. Отримані результати підтверджують ефективність використання методів аналізу великих масивів даних для підвищення точності прогнозування генерації сонячної енергії та підтримки управлінських рішень у сфері енергетики.

Посилання

Li, H., Wang, L., Liu, J., & Zhou, A. (2020). Short-term solar power forecasting using deep learning models. Renewable Energy, 152, 635–645.

Ahmad, F., Khan, M. A., & Lee, S. (2020). Machine learning techniques for solar irradiance prediction: A review. Solar Energy, 209, 224–245.

Zhang, Y., Li, Z., & Chen, X. (2018). Satellite data and meteorological parameters integration for PV power forecasting. Applied Energy, 230, 1056–1067.

Jain, P., & Kumar, R. (2020). Ensemble learning methods for solar power forecasting: A comparative study. Energy Reports, 6, 1205–1218.

Rahman, M., Chowdhury, S., & Rahman, T. (2020). IoT-based real-time monitoring and predictive maintenance of solar panels. Renewable and Sustainable Energy Reviews, 132, 1100–1113.

Park, J., & Kim, K. (2020). Big Data analytics for forecasting solar energy generation in smart grids. IEEE Access, 8, 104563–104574.

Singh, A., & Gupta, N. (2021). Challenges and opportunities in machine learning-based solar energy prediction. Energy Reports, 7, 1120–1135.

Письменна У. та ін. (2021). Становлення ринкового механізму стимулювання розвитку систем накопичення енергії. Вісник СумДУ. Серія «Економіка», (3), 31-39.

Станицина В. І. та ін. (2023). Можливості підвищення енергетичної незалежності територіальних громад в Україні. Енергетика та громади (с. 12–20).

Кизим М. І. та ін. (2023). Енергоефективність та енергозалежність в Україні з урахуванням світових тенденцій. Проблеми економіки, (2(56)), 41-55.

Кудря, С. О. (ред.). (2025). Відновлювані джерела енергії: видання третє, оновлене. Інститут відновлюваної енергетики НАНУ.

Chandel S.S. et al. Review of deep learning techniques for power generation prediction of industrial solar photovoltaic plants // Solar Compass 8 (2023) http:www.elsevier.com/locate/solcom

Iheanetu Kelachukwu J. Solar Photovoltaic Power Forecasting: A Review https://www.mdpi.com/journal/sustainability.

Bedi, J., & Toshniwal, D. (2022). Deep learning framework to forecast electricity demand. Energy, 239, 122006.

Ahmad, T., Zhang, D., & Dai, H. (2020). Toward smart energy systems — Big data and machine learning approaches. Renewable and Sustainable Energy Reviews, 122, 109772.

Cavazzi, S., & Dalla Longa, F. (2019). GIS-based assessment of onshore wind energy potential in Europe. Renewable Energy, 139, 734–747.

Khan, A., et al. (2020). Big data analytics and smart grid integration: A comprehensive review. IEEE Access, 8, 198947–198967.

Zhou, K., Fu, C., & Yang, S. (2016). Big data driven smart energy management: From big data to big insights. Renewable and Sustainable Energy Reviews, 56, 215–225.

Siano, P., De Marco, G., Rolán, A., & Loia, V. (2019). A survey and evaluation of the potentials of artificial intelligence applications in power systems. IEEE Transactions on Power Systems, 34(5), 3836–3846.

Open Power System Data. 2020. Data Package Time series. Version 2020-10-06. https://doi.org/10.25832/time_series/2020-10-06.