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 |
|---|---|
| Hoofdauteur: | |
| Samenvatting: | 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 |
| Taal: | Russisch |
| Gepubliceerd in: |
2025
|
| Onderwerpen: | |
| Online toegang: | https://myconfs.ru/files/itnop2025/usermaterials/Sbornik%20ITNOP-2025.pdf#page=316 |
| Formaat: | Elektronisch Hoofdstuk |
| KOHA link: | https://koha.lib.tpu.ru/cgi-bin/koha/opac-detail.pl?biblionumber=683018 |
MARC
| LEADER | 00000naa0a2200000 4500 | ||
|---|---|---|---|
| 001 | 683018 | ||
| 005 | 20251111153706.0 | ||
| 090 | |a 683018 | ||
| 100 | |a 20251111d2025 k||y0rusy50 ca | ||
| 101 | 0 | |a rus | |
| 102 | |a RU | ||
| 135 | |a drcn ---uucaa | ||
| 181 | 0 | |a i |b e | |
| 182 | 0 | |a b | |
| 183 | 0 | |a cr |2 RDAcarrier | |
| 200 | 1 | |a Использование моделей машинного обучения для прогнозирования генерации возобновляемых источников энергии |d Using machine learning models for renewable energy generation forecasting |f Н. П. Фикс |z eng | |
| 203 | |a Текст |c электронный |b визуальный | ||
| 283 | |a online_resource |2 RDAcarrier | ||
| 300 | |a Заглавие с экрана | ||
| 320 | |a Список литературы: 10 назв | ||
| 330 | |a 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 | ||
| 330 | |a 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 | ||
| 336 | |a Текстовый файл | ||
| 463 | 1 | |t Информационные технологии в науке, образовании и производстве. ИТНОП-2025 |o сборник статей X Всероссийской научно-технической конференции, Орел, 5-6 июня 2025 |f Орловский государственный университет имени И.С. Тургенева |c Орел |d 2025 |v С. 314-319 |u https://myconfs.ru/itnop2025/ | |
| 610 | 1 | |a глубокое обучение | |
| 610 | 1 | |a прогнозирование генерации | |
| 610 | 1 | |a возобновляемые источники энергии | |
| 610 | 1 | |a машинное обучение | |
| 610 | 1 | |a нейронные сети | |
| 610 | 1 | |a труды учёных ТПУ | |
| 610 | 1 | |a электронный ресурс | |
| 700 | 1 | |a Фикс |b Н. П. |c специалист в области электротехники |c доцент Томского политехнического университета, кандидат педагогических наук |f 1971- |g Наталья Павловна |9 15324 | |
| 801 | 0 | |a RU |b 63413507 |c 20251023 |g RCR | |
| 850 | |a 63413507 | ||
| 856 | 4 | |u https://myconfs.ru/files/itnop2025/usermaterials/Sbornik%20ITNOP-2025.pdf#page=316 |z https://myconfs.ru/files/itnop2025/usermaterials/Sbornik%20ITNOP-2025.pdf#page=316 | |
| 942 | |c CF | ||