Использование моделей машинного обучения для прогнозирования генерации возобновляемых источников энергии; Информационные технологии в науке, образовании и производстве. ИТНОП-2025
| Parent link: | Информационные технологии в науке, образовании и производстве. ИТНОП-2025.— 2025.— С. 314-319 |
|---|---|
| Glavni avtor: | |
| Izvleček: | Заглавие с экрана Выполнен анализ методов машинного обучения, применяемых для прогнозирования генерации возобновляемых источников энергии, подчеркиваются их преимущества и ограничения. Статистические и физические методы часто обеспечивают неоптимальную точность. Методы глубокого обучения и гибридные модели превосходят классические методы машинного обучения в точности прогнозирования. Также обсуждаются текущие проблемы и перспективные направления This paper reviews machine learning techniques applied to forecasting renewable energy generation, highlighting their advantages and limitations. Statistical and physical methods often provide suboptimal accuracy. Deep learning methods and hybrid models outperform conventional machine learning models in prediction accuracy. Ongoing challenges and promising directions are also discussed Текстовый файл |
| Jezik: | ruščina |
| Izdano: |
2025
|
| Teme: | |
| Online dostop: | https://myconfs.ru/files/itnop2025/usermaterials/Sbornik%20ITNOP-2025.pdf#page=316 |
| Format: | Elektronski Book Chapter |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=683018 |
| Izvleček: | Заглавие с экрана Выполнен анализ методов машинного обучения, применяемых для прогнозирования генерации возобновляемых источников энергии, подчеркиваются их преимущества и ограничения. Статистические и физические методы часто обеспечивают неоптимальную точность. Методы глубокого обучения и гибридные модели превосходят классические методы машинного обучения в точности прогнозирования. Также обсуждаются текущие проблемы и перспективные направления This paper reviews machine learning techniques applied to forecasting renewable energy generation, highlighting their advantages and limitations. Statistical and physical methods often provide suboptimal accuracy. Deep learning methods and hybrid models outperform conventional machine learning models in prediction accuracy. Ongoing challenges and promising directions are also discussed Текстовый файл |
|---|