Детальная информация

Работа посвящена разработке рекомендательной системы для оптимизации заявки на рынок на сутки вперёд на основе прогнозирования выработки возобновляемых энергоустановок методами машинного обучения. Целью работы является повышение экономической эффективности участия ВИЭ в оптовом рынке электроэнергии. В ходе работы решены задачи анализа предметной области, предобработки данных, обучения и сравнения моделей XGBoost и Prophet, разработки алгоритма оптимизации заявки, модуля погодных предупреждений и веб-интерфейса. Ансамбль из 24 моделей XGBoost показал более высокую точность по сравнению с Prophet: для солнечной генерации R² составил 0.893 против 0.815, для ветровой: 0.544 против 0.303. Разработанный алгоритм оптимизации заявки обеспечил прирост прибыли на 9.4 % относительно наивного прогноза. Реализован веб-интерфейс на базе Streamlit, отображающий прогнозы, результаты оптимизации и погодные предупреждения. Выполнение поставленных задач позволяет оценить применимость методов машинного обучения для прогнозирования выработки возобновляемых энергоустановок для повышения эффективности их работы.

Work is devoted to the development of a recommender system for optimizing day-ahead market bids based on forecasting the output of renewable energy plants using machine learning methods. The aim is to improve the economic efficiency of RES participation in the wholesale electricity market. The tasks solved include analysis of the subject area, data preprocessing, training and comparison of XGBoost and Prophet models, development of a bid optimization algorithm, a weather warning module, and a web interface. The ensemble of 24 XGBoost models showed higher accuracy compared to Prophet: R² was 0.893 vs. 0.815 for solar generation and 0.544 vs. 0.303 for wind generation. The developed bid optimization algorithm provided a profit increase of 9.4% compared to the naive forecast. A web interface based on Streamlit was implemented, displaying forecasts, optimization results, and weather warnings. The completed tasks demonstrate the applicability of machine learning methods for forecasting RES output to improve the efficiency of their operation.