| dc.contributor.author | Гнатюк, Х. О. | uk |
| dc.contributor.author | Олійник, Н. І. | uk |
| dc.date.accessioned | 2025-08-13T09:54:07Z | |
| dc.date.available | 2025-08-13T09:54:07Z | |
| dc.date.issued | 2025 | |
| dc.identifier.citation | | uk |
| dc.identifier.uri | https://ir.lib.vntu.edu.ua//handle/123456789/48291 | |
| dc.description.abstract | У роботі розглянуто сучасні підходи до оптимізації енергетичних систем у контексті розвитку «розумних» міст. Основну увагу приділено методам, які використовують штучний інтелект, зокрема еволюційним алгоритмам, алгоритмам рою частинок та градієнтному спуску. Ці інструменти дозволяють ефективно моделювати енергетичні потоки, прогнозувати споживання та вдосконалювати розподіл енергії. У роботі також розглянуто приклади практичного застосування, зокрема системи керування вуличним освітленням та інтеграцію відновлюваних джерел енергії. | uk |
| dc.language.iso | ua | ua |
| dc.publisher | ВНТУ | uk |
| dc.relation.ispartof | // Матеріали Всеукраїнської науково-практичної інтернет-конференції «Молодь в науці: дослідження, проблеми, перспективи (МН-2025)», 15-16 червня 2025 р. | uk |
| dc.relation.uri | https://conferences.vntu.edu.ua/index.php/mn/mn2025/paper/view/25525 | |
| dc.subject | розумне місто | uk |
| dc.subject | енергетична оптимізація | uk |
| dc.subject | штучний інтелект | uk |
| dc.subject | генетичний алгоритм | uk |
| dc.subject | моделіенергоспоживання | uk |
| dc.subject | стале середовище | uk |
| dc.subject | smart city | uk |
| dc.subject | energy optimization | uk |
| dc.subject | artificial intelligence | uk |
| dc.subject | genetic algorithm | uk |
| dc.subject | energy consumption models | uk |
| dc.subject | sustainable environment | uk |
| dc.title | Алгоритми оптимізації в енергетичних моделях “розумних” міст | ua |
| dc.type | Thesis | |
| dc.identifier.udc | 004.424.5.032.24(043.2) | |
| dc.relation.references | Gungor, V. C., Sahin, D., Kocak, T., et al. Smart grid technologies: Communication technologies and standards // IEEE Transactions on Industrial Informatics. 2011. Vol. 7(4). P. 529539. | |
| dc.relation.references | Mohammadi, M., Soleymani, S., Mozafari, B. Scenario-based stochastic operation management of microgrid including wind, photovoltaic, micro-turbine, fuel cell and energy storage devices // International Journal of Electrical Power & Energy Systems. 2014. Vol. 54. P. 525535. | |
| dc.relation.references | Mirjalili, S. Genetic Algorithm // Evolutionary Algorithms and Neural Networks. Springer, 2019. P. 4355. | |
| dc.relation.references | Kennedy, J., Eberhart, R. Particle Swarm Optimization // Proceedings of ICNN95 - International Conference on Neural Networks. 1995. | |
| dc.relation.references | Sutton, R. S., Barto, A. G. Reinforcement Learning: An Introduction. 2nd ed. MIT Press, 2018. | |
| dc.relation.references | Zhang, W., Li, F., Wang, Y. Deep reinforcement learning-based energy management for a smart microgrid // Applied Energy. 2020. Vol. 264. Article 114669. | |
| dc.relation.references | Farhangi, H. The path of the smart grid // IEEE Power and Energy Magazine. 2010. Vol. 8(1). P. 1828. | |
| dc.relation.references | Kabalci, Y. A survey on smart metering and smart grid communication // Renewable and Sustainable Energy Reviews. 2016. Vol. 57. P. 302318. | |
| dc.relation.references | Khan, M. J., Iqbal, M. T. Pre-feasibility study of stand-alone hybrid energy systems for applications in Newfoundland // Renewable Energy. 2005. Vol. 30(6). P. 835854. | |
| dc.relation.references | Big Data Value Association (BDVA). Big Data technologies in Smart Cities [ ] : https://www.bdva.eu | |
