| Form of studies |
Master |
| Title of the study programm |
Financial Engineering Mathematics |
| Title in original language |
Saules enerģijas ģenerācijas prognozēšana mājsaimniecībai |
| Title in English |
Forecasting Household Solar Power Generation |
| Department |
Faculty Of Computer Science Information Tehnology And Energy |
| Scientific advisor |
Oksana Pavļenko |
| Reviewer |
Irina Voronova |
| Abstract |
Maģistra darbā veikta mājsaimniecības saules elektroenerģijas ģenerācijas īstermiņa prognozēšana, izmantojot mašīnmācīšanās, dziļās mācīšanās un fizikālu prognozēšanas pieeju. Saules paneļu izmantošana mājsaimniecībās pieaug, tāpēc arvien nozīmīgāka kļūst nākamās dienas ģenerācijas prognozēšana, kas palīdz plānot pašpatēriņu un samazināt elektroenerģijas izmaksas dinamisko cenu apstākļos.
Darbā aplūkota saules ģenerācijas attīstība Latvijā, elektroenerģijas tirgus darbība mājsaimniecībām, saules paneļu tehnoloģijas un īstermiņa ģenerāciju ietekmējošie faktori. Teorētiskajā daļā analizētas saules ģenerācijas prognozēšanas metodes un daudzsoļu prognozēšanas stratēģijas. Praktiskajā daļā prognozēta vienas mājsaimniecības saules paneļu ģenerācija. Izveidoti un salīdzināti vairāki prognozēšanas modeļi nākamajām 24 stundām, izmantojot rekursīvo, tiešo un vairāku izvadu stratēģiju.
Rezultāti parāda, ka augstāko precizitāti sasniedza koku ansambļu modeļi. Labākais rezultāts iegūts ar pielāgoto ExtraTreesRegressor modeli tiešajā stratēģijā, sasniedzot MAE 0,247 kWh, RMSE 0,473 kWh, WAPE 32,46% un R2 0,819. Darba noslēgumā izstrādāti priekšlikumi modeļu pilnveidei un to praktiskai izmantošanai mājsaimniecības elektroenerģijas pārvaldībā.
Darbs sastāv no 77 lapaspusēm, tajā iekļauti 30 attēli, 4 tabulas, izmantoti 55 informācijas avoti un pievienoti 4 pielikumi.
Galvenie atslēgvārdi: saules ģenerācijas prognozēšana, mašīnmācīšanās modeļi, LSTM, pašpatēriņš, laikrindas. |
| Keywords |
saules ģenerācijas prognozēšana, mašīnmācīšanās modeļi, LSTM, pašpatēriņš, laikrindas |
| Keywords in English |
solar generation forecasting, machine learning models, LSTM, self-consumption, time series |
| Language |
lv |
| Year |
2026 |
| Date and time of uploading |
28.05.2026 16:01:25 |
