Оптимізація навчання LSTM-мереж для прогнозування сонячної генерації з використанням баєсівського підходу

Скорочена інформація про документ
dc.contributor.authorЗінькевич, Петро Олексійович
dc.contributor.authorБалюта, Сергій Миколайович
dc.contributor.authorЖуков, Денис Юрійович
dc.contributor.authorКорнієнко, Владислав Ігорович
dc.contributor.authorКуєвда, Юлія Валеріївна
dc.date.accessioned2025-09-23T07:07:19Z
dc.date.issued2025
dc.description.abstractРозроблено методологію навчання глибоких нейронних мереж на основі LSTM-моделей з використанням баєсівської оптимізації. В рамках дослідження було проведено оптимізацію параметрів навчання LSTM-мережі для задачі короткострокового прогнозування виробництва електроенергії сонячними електростанціями.
dc.identifier.citationОптимізація навчання LSTM-мереж для прогнозування сонячної генерації з використанням баєсівського підходу / П. О. Зінькевич, С. М. Балюта, Д. Ю. Жуков, В. І. Корнієнко, Ю. В. Куєвда // Штучний інтелект та інформаційні технології (AIIT-2025): наукові праці Другої Міжнародної науково-практичної конференції, 3–4 червня 2025 р., м. Київ. – Київ : НУХТ, 2025. – С. 137–139.
dc.identifier.orcidhttps://orcid.org/0000-0003-1723-8544
dc.identifier.orcidhttps://orcid.org/0009-0008-4286-0582
dc.identifier.orcidhttps://orcid.org/0009-0001-6630-1215
dc.identifier.urihttps://dspace.nuft.edu.ua/handle/123456789/48709
dc.language.isouk
dc.subjectоптимізація навчання
dc.subjectLSTM-мережі
dc.subjectпрогнозування сонячної генерації
dc.subjectбаєсівський підхід
dc.subjectкафедра електропостачання і енергоменеджменту
dc.subjectlearning optimization
dc.subjectsolar generation forecasting
dc.subjectBayesian approach
dc.titleОптимізація навчання LSTM-мереж для прогнозування сонячної генерації з використанням баєсівського підходу
dc.typeThesis

Файли

Контейнер файлів

Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Conf_AIIT02_2025-06-04_removed.pdf
Розмір:
530.33 KB
Формат:
Adobe Portable Document Format
Завантажити

Ліцензійна угода

Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
license.txt
Розмір:
2.95 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Колекції

Тези доповідей