Кратко о результатах проекта и будущих исследованиях
Анализ литературных источников показывает, что разработаны методы оценки теоретического и технического потенциала ВИЭ. Способы оценки географического и экономического потенциала очень похожи, хотя и различаются для разных территорий в частности. Они основаны на анализе факторов, методах взвешенной оценки воздействия этих факторов и оценке некоторой комплексной территориальной привлекательности. Далее создаются карты благоприятных зон вручную или в автоматическом режиме, в зависимости от разработанного программного обеспечения. В литературе описаны примеры таких систем для определенных типов энергии и различных территорий. Все это позволяет сделать вывод, что в настоящее время сложились  предпосылки для разработки комплексной программной системы, выполняющий поэтапную оценку потенциала ВИЭ и поддерживающую процессы принятия решений в области использования ВИЭ. Работа системы может основываться на сборе и анализе данных, определения факторов и учета влияния указанных факторов и методов оценки территории с точки зрения применимости и необходимости ВИЭ. Визуализация результатов должна выполняться в среде ГИС. Применение такой системы является весьма актуальным для условий Казахстана.
Казахстан является одной из богатейших стран мира по ресурсам возобновляемой энергетики. Благоприятные места для развития ветроэнергетики  расположены на юге (Джунгарские Ворота и Шелекский коридор), в Прикаспии,  а также в центре республики. Для развития солнечной энергетики благоприятные природные условия располагает южный Казахстан (Южно-Казахстанская, Жамбылская, Алматинская области), гидроэнергетики —  восточный Казахстан (Восточно-Казахстанская область), биоэнергетики – Южно-Казахстанская, Алматинская, Костанайская области.
Актуальным для оценки экономического потенциала возобновляемых источников энергии является анализ энергетического баланса областей и выявление тех регионов Казахстана, где потребление электроэнергии превышает производство. Среди областей Казахстана энергодефицитными  являются Акмолинская, Актюбинская, Джамбульская, Карагандинская, Костанайская, Кызылординская, Южно-Казахстанская. Наибольший недостаток электроэнергии наблюдается в Костанайской (-3215 млн.кВтч/год), Джамбульской  областях  (-2171) и г.Алматы ( -3549).
Большинство крупных населенных пунктов РК подключены к централизованному энергоснабжению. Однако имеются обширные террито­рии,  не имеющие доступа к единой энергосистеме. Так, например, вся территория Актюбинской области, а также отдаленные сельские поселения других областей не подключены к высоковольтным магистральным линиям электропередач. В результате возникает потребность в возведении дополнительных распределительных сетей на этих территориях, а также в автономной энергогенерации, в том числе, на базе ВИЭ для сельско­хозяйственных поселений и производственных предприятий, объектов рекреации, отгонных пастбищных хозяйств, а также – в целом – для районов со сложной экологической обстановкой.
В последнее время в Казахстане появились институциональные условия для развития ВИЭ вместе  со строительством крупных электростанций. Однако существуют некоторые административные препятствия затрудняющие развитие малого бизнеса.
Для детального анализа территории Республики Казахстан нами определены основные факторы, влияющие на оценку территории с точки зрения применения ВИЭ. Основные категории факторов включают: геофизические, географические, экологические, экономические, технические, социальные и административно-правовые факторы и риски.
Каждая категория насчитывает приблизительно 5-10 факторов, а общее число учитываемых в настоящее время факторов составляет 65. Некоторые необходимые  данные могут парсироваться из открытых источников, таких как NASA SSE, RETScreen, OpenStreetMap, WDPA и т. д. Для точного  анализа желательно учитывать местные источники данных.
Описываемые факторы являются существенно разнородными. Они отличаются по представлению, масштабу влияния, типу ВИЭ и техническим параметрам генераторов. Для оценки этих факторов используются количественные методы. Расчет этих факторов проводится с помощью аналитического иерархического процесса, методики выбора порядка по сходству с идеальным решением, модели преимуществ-возможностей-затрат-рисков. Процесс аналитической иерархии (AHP), разработанный Томасом Саати, позволяет вывести вес факторов, основанных на парном сравнении факторов экспертами. Основной проблемой AHP является большое количество сравнений. Чтобы уменьшить количество необходимых сравнений, мы предложили сначала попарно сравнить ранжированные и взвешенные категории, а затем выполнять попарные сравнения внутри каждой категории. Такой подход значительно снижает трудозатраты специалистов.
Вес факторов должен быть агрегирован, чтобы получить оценку территории с точки зрения применения различных ВИЭ. Мы предложили и реализовали байесовскую модель для агрегирования весов факторов. Байесовская модель позволяет получить две вероятностные оценки. Эти оценки соответствуют вероятностям двух гипотез, H1 — возможность установки генератора ВИЭ на территории, H2 — невозможность установки генератора ВИЭ.
Как итог исследований,  разработан прототип системы поддержки принятия решений на основе многокритериального анализа — многокритериальная интеллектуальная геоинформационная система (МИГИС) (migis.kz). В процессе разработки системы  использованы Open Source продукты Ngins, PostGreSQL и Apache Tomcat. В качестве ГИС ядра системы используется GeoServer. Хранение данных всех информационных слоев выполняется с помощью PostGis. В процессе работы Apache Tomcat запускает несколько приложений, таких как MigisProc, Data Processors и GeoServer. MigisProc — это базовое приложение на основе Spring, которое содержит основную логику обработки и хранения данных. Процессоры данных — это набор препроцессоров и блоков обработки данных. Концепция Data Processors позволяет сделать систему более гибкой и масштабируемой. GeoServer — это сервер с открытым исходным кодом, который позволяет хранить, просматривать и визуализировать пространственные данные из разных источников. Предложенная архитектрура позволяет унифицировать модули системы и уменьшать затраты на разработку. Первые результаты показывают удобство использования архитектуры. Мы предполагаем, что предложенный подход позволит  разработать систему оценки различных пространственно распределенных ресурсов, таких как ВИЭ, горнодобывающие комплексы, сельское хозяйство и т. д.
Следует отметить, что предложенная архитектура позволяет добавлять обработчики и агрегаторы данных разных типов, например, основанные на машинном обучении (МО).По сравнению с описанными выше подходами получения интегрированной оценки, методы МО позволяют решать задачу, основываясь на мнении экспертов или на существующих данных без необходимости получения экспертных оценок по каждому параметру,  описывающему рассматриваемую территорию.
В настоящее время, именно с МО связано наибольшее количество ожиданий по реализации умных программ  и сервисов (Smat Services).  По оценкам  Garther[1],  МО генерирует наибольшие ожидания в развитии технологий.
Методы МО включают широкий класс алгоритмов, начиная от деревьев решений, генетических алгоритмов, метрических методов, таких как k-NN, SVM, статистических методов, байесовских сетей и заканчивая искусственными нейронными сетями [2] [3] [4].
Области приложений МО весьма широки. Они включают медицину  [5] [6] [7] , биологию [8], робототехнику, городское хозяйство и промышленность [9], сферу обслуживания, экологию [10], системы связи нового типа [11], астрономию [12] [13], добычу полезных ископаемых [14][15] [16] и т.д.
Возможности МО, то есть способность обучаться и обеспечивать рекомендации на уровне экспертов в узкой предметной области, реализуются алгоритмами, которые делятся на две большие группы:
—    Обучение без учителя (Unsupervised Learning) (UL) [17].
—    Обучение с учителем (Supervised Learning) (SL)[18] .
В последние годы получены впечатляющие результаты в применение новых классов искусственных нейронных сетей[19] . Общее количество классов нейронных сетей превысило 27[20].
В целом, применение методов машинного обучения позволяет создать программу, которая способна обучаться, используя в качестве примеров информацию об установленных генераторах энергии. Весьма впечатляющим примером является система разработанная Виктором Киселевым  (http://windcat.ch/) и показывающая места благоприятные для размещения ветрогенераторов.
Однако,  для корректной работы упомянутых методов, необхо­димо значительное количество примеров и развитые средства предобработки данных (описание методов предобработки см., например, в  [21]).
Задачей дальнейших исследований может стать разработка системы, сочетающей методы поддержки принятия решений на базе экспертных оценок  и методы МО.
 
[1] Gartner //http://www.gartner.com/newsroom/id/3412017: 29.08.2017
[2] Maren A. J., Harston C. T., Pap R. M. Handbook of neural computing applications. – Academic Press, 2014
[3] Muhamedyev R. Ma­­chine learning methods: An overview //CMNT. — 19(6). – 2015. — P. 14-29
[4] Zhang G. P. Neural networks for classification: a survey //IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews). – 2000. – V. 30. – №. 4. – P. 451-462.
[5] Joseph A. Cruz and David S. Wishart. Applications of Machine Learning in Cancer Prediction and Prognosis // Cancer Informatics. — 2006. — V. 2. P. 59–77.
[6] Deo R. C. Machine learning in medicine //Circulation. – 2015. – V. 132. – №. 20. – P. 1920-1930.
[7] Kwon Y., Kang K., Bae C. Unsupervised learning for human activity recognition using smartphone sensors //Expert Systems with Applications. – 2014. – V. 41. – №. 14. – P. 6067-6074.
[8] Ballester, Pedro J., and John BO Mitchell. A machine learning approach to predicting protein–ligand binding affinity with applications to molecular docking// Bioinformatics 26. V. 9. — 2010. P. 1169-1175.
[9] Farrar, Charles R., and Keith Worden. Structural health monitoring: a machine learning perspective.- John Wiley & Sons. — 2012. — 66 рр.
[10] Dickson M. E., Perry G. L. W. Identifying the controls on coastal cliff landslides using machine-learning approaches //Environmental Modelling & Software. – 2016. – P. 76. – P. 117-127.
[11] Thilina K. M. et al. Machine learning techniques for cooperative spectrum sensing in cognitive radio networks //IEEE Journal on selected areas in communications. – 2013. – V. 31. – №. 11. – P. 2209-2221.
[12] Graff P. et al. SKYNET: an efficient and robust neural network training tool for machine learning in astronomy //Monthly Notices of the Royal Astronomical Society. – 2014. – V. 441. – №. 2. – P. 1741-1759
[13] Ball, Nicholas M., and Robert J. Brunner. Data mining and machine learning in astronomy // Journal of Modern Physics D 19. V.07. — 2010.- P. 1049-1106.
[14] R. Muhamediyev, E. Amirgaliev, S. Iskakov, Y. Kuchin, E. Muhamedyeva. Integration of Results of Recognition Algorithms at the Uranium Deposits // Journal of ACIII. – 2014.  – Vol. 18, № 3. – P. 347-352.
[15] Амиргалиев Е.Н., Искаков С.Х., Кучин Я.В., Мухамедиев Р.И. Интеграция алгоритмов распознавания литологических типов // Проблемы информатики. Сибирское отделение РАН. – 2013. – № 4 (21). – С. 11-20.
[16] Амиргалиев Е.Н., Искаков С.Х., Кучин Я.В., Мухамедиев Р.И.  Методы машинного обучения в задачах распознавания пород на урановых месторождениях //Известия НАН РК. – 2013. –  № 3.  – С.82-88.
[17] Hastie T., Tibshirani R., Friedman J. Unsupervised learning // Springer New York, 2009. – P. 485-585.
[18] Kotsiantis, Sotiris B., I. Zaharakis, and P. Pintelas. Supervised machine learning: A review of classification techniques.Emerging artificial Intelligence Applications in Computer Engineering. — IOS Press, 2007. — P. 3-24.
[19] LeCun Y., Bengio Y., Hinton G. Deep learning //Nature. – 2015. – V. 521. – №. 7553. – P. 436-444.
[20] The Neural Network Zoo //http://www.asimovinstitute.org/neural-network-zoo/: 14.09.2016
[21] Muhamedyev R. Machine learning methods: An overview //Computer modelling and new technologies. — 19(6). – 2015. — P. 14-29