Атомна енергетика та гідроенергетика складають основу низьковуглецевої генерації електроенергії .
Разом вони забезпечують три чверті світового низьковуглецевого виробництва .
За останні 50 років використання ядерної енергії зменшило викиди CO2 більш ніж на 60 гігатонн - майже на два роки вартості світових викидів , пов'язаних з енергетикою .
Однак у передових економіках ядерна енергетика почала згасати , закриваючи електростанції та знизуючи кількість нових інвестицій , саме тоді , коли світ потребує більше низьковуглецевої електроенергії .
Ця робота зосереджується на ролі атомної енергетики в передових економіках та на методах прогнозування ефективності виробництва атомної електроенергії .
Методи машинного навчання ( МН ) останнім часом дуже добре сприяли просуванню моделей прогнозування споживання енергії .
Такі моделі значно покращують надійність та точність та здатність до узагальнення звичайних засобів прогнозування часових рядів .
На практиці трейдери можуть купити більше або менше електроенергії , ніж вони продали , а виробничі компанії можуть фізично виробити більше або менше , ніж вони продали .
Процес розрахунку дисбалансів вимагає порівняти обсяги електроенергії , купленої або проданої за контрактом , з результатами комерційного обліку фізичних обсягів виробництва і споживання .
Одним із завдань є визначення ціни і коригування кількості виробленої енергії , що в свою чергу призведе до енергозбереження та покращення екологічної ситуації .
У дипломній роботі будуть розглянуті моделі машинного будування з метою прогнозування енергоефективності на прикладі атомної електроенергії : ANFIS , ANN , DT , ELM , MLP , SVM / SVR , WNN , ENSEMBLE , HYBRID та DEEP Learning .
Штучний інтелект у поєднанні з когнітивними обчисленнями стане мозком в електростанціях майбутнього .
Як і майже в усіх інших галузях промисловості , промисловість виробництва електроенергії руйнується завдяки штучному інтелекту .
Ми розглянули інженерні методи як комплексні методи , які складаються з декількох часткових диференціальних рівнянь або потреб у застосуванні фізичних принципів , а також рівнянь теплової динаміки та теорії функціональної щільності .
Завдяки різкому прогресу інформаційних технологій останнім часом багато програмного забезпечення та пакетів могли запропонувати рішення для складного визначення форми на основі часткових диференціальних рівнянь .
Тим часом , це сприяє розвитку чисельного аналізу динаміки в інженерній практиці .
Тому ми могли тестувати чисельні рішення за допомогою програмних продуктів , таких як TRNSYS , ANSYS , та COMSOL .
Інженерні методи , засновані на великій кількості статистичних даних , могли б досягти високоточної оцінки .
Необхідно багато параметрів , як вхідних даних , які можуть включати будівництво будинків , зовнішні кліматичні умови та характеристики обладнання для розрахунку споживання енергії .
Зазвичай інженерний метод можна розглядати як припущення , побудовані на статистичній інформації .
Таким чином , ми могли б спробувати розробити інженерну модель або рівняння через наявні статистичні дані для інших регіонів .
Однак існує низка складних процесів , включаючи встановлення моделей та рівнянь , встановлення параметрів та граничних умов , які важко задовольнити вимогу , що ми прагнемо отримати результати миттєво та зручно .
Крім того , багато будівельних та екологічних параметрів , як було зазначено вище , недоступні .
Крім того , особливо в деяких невідомих регіонах , у нас немає складних теорій для довідок , що може стати величезною проблемою для розвитку інженерного методу .
