Успішне використання сонячної енергетики зумовлює необхідність точного прогнозування виробництва електроенергії сонячними електростанціями (СЕС) для стабільного функціонування систем електропостачання. Це пов’язано з необхідністю підтримання миттєвого балансу виробництва і споживання електричної енергії, який забезпечується реалізацією складних ієрархічних систем управління наявними джерелами енергії. Особливо актуальна можливість короткочасного прогнозування виробництва енергії СЕС. У статті наведено результати розроблення методів прогнозування та дослідження їх ефективності, а також вплив структури і якості метеоданих на результати прогнозування. Для оцінювання важливості метеорологічних параметрів використано статистичні методи кореляцій Пірсона, Спірмена та Кендала та метод Борута (Boruta). На основі визначених значущих змінних побудовано модель з використанням методу k-найближчих сусідів (kNN). Дослідження виконано для двох незалежних наборів метеорологічних даних, що містять інформацію про зміну параметрів навколишнього середовища та фактичну генерацію енергії СЕС. Перший набір складається із даних, отриманих від метеостанції об’єкта генерації. Другий – з даних відкритого джерела для географічних координат об’єкта генерації. Одержані результати свідчать, що використання метеоданих із метеорологічної станції об’єкта генерації та їх опрацювання розробленим методом дає змогу підвищити точність навчання моделі kNN. Значення коефіцієнта детермінації (R2) для першого і другого наборів даних однакові – 0,99 і 0,95. А це, відповідно, підвищує точність прогнозування потужності генерації СЕС, обґрунтовує доцільність введення до структури об’єктів генерації сучасних засобів вимірювання та реєстрації метеорологічних параметрів.
[1] Pelland, S., Remund, J., Kleissl, J., Oozeki, T., & De Brabandere, K. (2013). Photovoltaic and solar forecasting: State of the art (Report IEA-PVPST14-01:2013). IEA PVPS. ISBN 978-3-906042-13-8.
[2] Tsmots, I. G., Tesliuk, V. M., Podolsky, M. R., & Dubuk, V. I. (2020). Tools of visualization of power balances and analytical support of energy efficiency management of region. Ukrainian Journal of Information Technology, 2(1), 01–07. https://doi.org/10.23939/ujit2020.02.001
[3] Kuznetsov, M. P., & Lysenko, O. V. (2017). Capabilities of short-term solar energy forecasting. Renewable Energy, 2017(1), 25–32. http://nbuv.gov.ua/UJRN/vien_2017_1_6
[4] Matushkin, D. S., Bosak, A. V., & Kulakovskyi, L. Y. (2020). Analysis of factors for predicting electricity generation by solar power plants. Energetics: Economics, Technology, Ecology, 4 (2020), 62. https://doi.org/10.20535/1813-5420. 4.2020.233597
[5] Solcast Toolkit (n. d.). Retrieved April 2025, from https://toolkit.solcast.com.au/
[6] Ashan, D. K., & Geekiayange, V. (2021). Reliability comparison of weather data of PVGIS, NREL and Solcast for PV solar energy generation forecasting. Unpublished report. https://doi.org/10.13140/RG.2.2.14453.50400
[7] Kursa, Miron & Rudnicki, Witold. (2010). Feature Selection with Boruta Package. Journal of Statistical Software, 36, 1–13. 10.18637/jss.v036.i11.
[8] Alresheedi, А., А., & Al-Hagery, М., А. (2020). Hybrid artificial neural networks with Boruta algorithm for prediction of global solar radiation: Case study in Saudi Arabia. International Journal of Computer Science and Network, 9(2), (April). ISSN (Online): 2277-5420.
[9] Rinchi, B., Ayadi, O., Al-Dahidi, S., & Dababseh, R. (2024). A universal tool for estimating monthly solar radiation on tilted surfaces from horizontal measurements: A machine learning approach. Energy Conversion and Management, 314, 118703. https://doi.org/10.1016/j.enconman.2024.118703
[10] Shakhovska, N., Medykovskyi, M., Gurbych, О., Mamchur, M., & Melnyk, М. (2024). Enhancing solar energy production forecasting using advanced machine learning and deep learning techniques: A comprehensive study on the impact of meteorological data. Computers, Materials & Continua, 81(2), 3147–3163. https://doi.org/10.32604/cmc.2024.056542
[11] Ahmed, R., Sreeram, V., Mishra, Y., & Arif, M. D. (2020). A review and evaluation of the state-of-the-art in PV solar power forecasting: Techniques and optimization. Renewable and Sustainable Energy Reviews, 124, 109792. https://doi.org/ 10.1016/j.rser.2020.109792
[12] Meenal, R., Binu, D., Ramya, K. C., Michael, P. A., Kumar, K. V., Rajasekaran, E., & Sangeetha, B. (2022). Weather forecasting for renewable energy system: A review. Archives of Computational Methods in Engineering, 29(5), 2875–2891. https://doi.org/10.1007/s11831-021-09695-3
[13] Zhuravel, I. M., Onyshko, V. R., Zhuravel, Yu. I., & Ambroziak, K. A. (2024). Quantitative assessment of the visual quality of digital images based on the laws of human visual perception. Ukrainian Journal of Information Tecnology, 6(1), 17–25. https://doi.org/10.23939/ujit2024.01.017
[14] Li, B., & Zhang, J. (2020). A review on the integration of probabilistic solar forecasting in power systems. Solar Energy, 210, 68–86. https://doi.org/10.1016/j.solener.2020.07.066
[15] Asghar, R., Fulginei, F., R., Quercio, M., & Mahrouch, A. (2024). Artificial neural networks for photovoltaic power forecasting: A review of five promising models. IEEE Access, 12, 90461–90485. https://doi.org/10.1109/ACCESS.2024. 3420693
[16] Zhou, H., Liu, Q., Yan, K., & Du, Y. (2021). Deep learning enhanced solar energy forecasting with AI-driven IoT. Wireless Communications and Mobile Computing, 2021, 1– 11. https://doi.org/10.1155/2021/9249387
[17] Li, G., Xie, S., Wang, B., Xin, J., Li, Y., & Du, S. (2020). Photovoltaic power forecasting with a hybrid deep learning approach. IEEE Access, 8, 175871–175880. https://doi.org/ 10.1109/ACCESS.2020.3025860
[18] Obileke, K. I. K. (2024). Short-term forecasting of photovoltaic power using multilayer perceptron neural net- work, convolutional neural network, and k-nearest neighbors’ algorithms. Optics, 5(2), 293–309. https://doi.org/10.3390/ opt5020021
[19] Perehuda, O. V., Kapustian, O. A., & Kuryilko, O. B. (2022). Statistical data processing: Educational manual. Electronic edition, 103 p. Retrieved from [https://www.mechmat. univ.kiev.ua/wp-content/uploads/2022/02/navch_pos_ perehuda.pdf]
[20] Ramli, Nor Azuana & Abdul Hamid, Mohd Fairuz & Azhan, Nurul Hanis. (2019). Solar Power Generation Prediction by using k-Nearest Neighbor Method. AIP Conference Proceedings, 2129. 10.1063/1.5118124.
[21] Mas’ud, Abdullahi. (2021). Comparison of three machine learning models for the prediction of hourly PV output power in Saudi Arabia. Ain Shams Engineering Journal, 13, 101648. 10.1016/j.asej.2021.11.017.