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.
