Статья: СИСТЕМНЫЙ АНАЛИЗ ДАННЫХ И МОДЕЛИРОВАНИЕ ПОВЕДЕНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ НА КАЖДЫЙ ЧАС СУТОК С ПОМОЩЬЮ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ (2025)

Читать

Читать онлайн

Потребление электроэнергии является ключевым фактором устойчивого развития в энергетической отрасли, и точное прогнозирование его изменений имеет важное значение для эффективного управления большими электро-энергетическими системами и ресурсами. Целью данного исследования является разработка математической (регрессионной) модели для прогнозирования поведения электропотребления на каждый час следующих суток для энергосбытовых компаний современными методами машинного обучения и искусственного интеллекта. Рассматриваются различные методы искус-ственного интеллекта, применяемые для моделирования и прогнозирования потребления электроэнергии. К этим методам относятся: линейная модель, случайный лес и две реализации градиентного бустинга над решающими деревьями. Научный подход, основанный на технологии искусственного интеллекта Boosting, позволяет максимально снизить ошибку прогнозирования электропотребления в крупных энергетических компаниях. Авторами разработана новая, полезная и качественная регрессионная модель, адекватно описывающая экспериментальные данные по потреблению электроэнергии за каждый час суток. Выполнено тестирование разработанной регрессионной моде-ли на реальных производственных данных энергетической компании. Проведенное исследование и полученные результаты позволяют авторам сделать вывод о том, что разработанная математическая модель методом машин-ного обучения LightGBM может быть использована энергосбытовыми компаниями для почасового планирования электропотребления при подаче заявок на оптовый рынок электроэнергии и мощности (ОРЭМ) на несколько дней вперед. Исследование было выполнено на языке программирования Python.

Ключевые фразы: моделирование электропотребления, обработка дан-ных, оценка качества моделей, математическая статистика, регресси-онная модель, искусственный интеллект

Автор (ы): Дзгоев А. Э., Лагунова Анна Дмитриевна, Карацев Станислав Таймуразович, Конюшок Илья Андреевич, Комаров Иван Александрович, Хузмиев Игорь Маратович, Гладышев Олег Ярославович

Журнал: УПРАВЛЕНИЕ БОЛЬШИМИ СИСТЕМАМИ: СБОРНИК ТРУДОВ

Предпросмотр статьи

Идентификаторы и классификаторы

ББК: 22.172. Математическая статистика
22.18. Математическая кибернетика и дискретная математика
УДК: 004.6. Данные
004.8. Искусственный интеллект
004.942. Исследование поведения объекта на основе его математической модели
303.732.4. Системный анализ
519.2. Теория вероятностей и математическая статистика
519.7. Математическая кибернетика

Для цитирования:

ДЗГОЕВ А. Э., ЛАГУНОВА А. Д., КАРАЦЕВ С. Т., КОНЮШОК И. А., КОМАРОВ И. А., ХУЗМИЕВ И. М., ГЛАДЫШЕВ О. Я. СИСТЕМНЫЙ АНАЛИЗ ДАННЫХ И МОДЕЛИРОВАНИЕ ПОВЕДЕНИЯ ПОТРЕБЛЕНИЯ ЭЛЕКТРОЭНЕРГИИ НА КАЖДЫЙ ЧАС СУТОК С ПОМОЩЬЮ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ // УПРАВЛЕНИЕ БОЛЬШИМИ СИСТЕМАМИ: СБОРНИК ТРУДОВ. 2025. № 114

Текстовый фрагмент статьи

Список литературы

1. АЛКАЦЕВ М.И., ДЗГОЕВ А.Э., БЕТРОЗОВ М.С. Исследо-вание и разработка метода прогнозирования потребления электроэнергии в системе управления электроснабжением региона // Известия высших учебных заведений. Проблемы энергетики. – 2012. – № 5-6. – С. 30–37.
2. БЛАГОВЕЩЕНСКИЙ Ю. Тайны корреляционных связей в статистике. – М.: Научная Книга, Инфра-М, 2009. – 158 с.
3. ВАЛЬ П.В., ПОПОВ Ю.П. Концепция разработки системы прогнозирования электропотребления промышленного предприятия в условиях оптового рынка // Промышленная энергетика. 2011. – №10. – С. 31-35.
4. ГМУРМАН В. Теория вероятностей и математическая статистика: Учебное пособие для вузов. – М.: Высшая школа, 2004. – 479 с.
5. ГРЕШИЛОВ А.А., СТАКУН В.А., СТАКУН А.А. Матема-тические методы построения прогнозов. – М.: Радио и связь, 1997. – 112 с.
6. ДЗГОЕВ А.Э. Методы обработки и анализа данных для разработки предиктивных моделей : учебное пособие. – М.: РТУ МИРЭА, 2024. – 147 с. // Лань : электронно-библи-отечная система. – URL: https://e.lanbook.com/book/420860 (дата обращения: 15.10.2024).
7. КАРПЕНКО С.М., КАРПЕНКО Н.В., БЕЗГИНОВ Г.Ю. Про-гнозирование электропотребления на горнопромышленных предприятиях с использованием статистических методов // Горная промышленность. – 2022. – №1. – С. 82–88.
8. КАРПЕНКО С.М., КАРПЕНКО Н.В., САХАРОВ В.Е. Моде-лирование электропотребления на основе данных с пере-менной структурой // Энергобезопасность и энергосбере-жение. –2021. – №1. – С. 13–17.
9. КУРБАНГАЛИЕВ У.К., ЛИСИЦИН Н.В. Требования к ком-мерческому учёту электрической энергии и мощности в условиях оптового рынка // Энергетик. – №1. – 1996. – С. 2–4.
10. МАТЮНИНА Ю.В., МАКАРЕНКО И.Г. Работа потреби-телей на рынках электроэнергии: учебное пособие. – М.: Издательский дом МЭИ, 2008. – 64 с.
11. МОРГОЕВ И.Д., ДЗГОЕВ А.Э., КЛЮЕВ Р.В. и др. Прогно-зирование потребления электроэнергии предприятиями народнохозяйственного комплекса в условиях неполноты информации // Известия Кабардино-Балкарского научного центра РАН. – 2022. – №3(107). – С. 9–20.
12. BERGMEIR C., BENÍTEZ J. M. On the use of cross-validation for time series predictor evaluation // Information Sciences. – 2012. – Vol. 191. – P. 192–213. – DOI: 10.1016/j.ins.2011.12.028.
13. BREIMAN L. Random Forests // Machine Learning. – 2001. – Vol. 45(1). – P. 5–32.
14. CHUNG J., JANG B. Accurate prediction of electricity con-sumption using a hybrid CNN-LSTM model based on multivari-able data // PLoS ONE. – 2022. – Vol. 17(11). – P. e0278071. – DOI: 10.1371/journal.pone.0278071.
15. DALAL S., LILHORE DR U.K., SETH B. et al. A Hybrid Mod-el for Short-Term Energy Load Prediction Based on Transfer Learning with LightGBM for Smart Grids in Smart Energy Sys-tems // Journal of Urban Technology. – 2024. – DOI: 10.1080/ 10630732.2024.2380639.
16. FILIPOVA-PETRAKIEVA S.K., DOCHEV V. Short-Term Forecasting of Hourly Electricity Power Demand: Regresion and Cluster Methods for Short-Term Prognosis // Engineering, Technology & Applied Science Research. – 2022. – Vol. 12, No. 2. – P. 8374–8381. – DOI: 10.48084/etasr.4787.
17. FREEDMAN D.A. Statistical Models: Theory and Practice. – Cambridge University Press, 2009. – P. 26.
18. GUANG YANG, SONGHUAI DU, QINGLING DUAN et al. A Novel Data-Driven Method for Medium-Term Power Con-sumption Forecasting Based on Transformer-LightGBM // Mo-bile Information Systems. – 2022. – P. 1–16. – DOI: 10.1155/ 2022/5465322.
19. GUPTA P., BAGCH A. Introduction to Pandas // In: Essentials of Python for Artificial Intelligence and Machine Learning. – December 2023. – DOI: 10.1007/978-3-031-43725-0_5.
20. HUBER P.J., RONCHETTI E.M. Robust Statistics. – John Wiley & Sons, Inc., Hoboken. – 354 p. – DOI: 0.1002/ 9780470434697.
21. IFTIKHAR H., ZYWIOŁEK J., LÓPEZ-GONZALES J.L. et al. Electricity consumption forecasting using a novel homogeneous and heterogeneous ensemble learning // Front. Energy Res. – 2024. – Vol. 12. – 1442502. – DOI: 10.3389/fenrg.2024.1442502.
22. KE GUOLIN, MENG QI, FINLEY T. et al. «LightGBM: A Highly Efficient Gradient Boosting Decision Tree» // Advanc-es in Neural Information Processing Systems. – 2017. – Vol. 30.
23. KHANH-TOAN NGUYEN, THANH-NGOC TRAN, HUY-TUAN NGUYEN Research on the Influence of Hyperparame-ters on the LightGBM Model in Load Forecasting // Engineer-ing, Technology & Applied Science Research. – 2024. – Vol. 14, No. 5. – P. 17005–17010.
24. LEE M.H.L., SER Y.C., SELVACHANDRAN G. et al. A Com-parative Study of Forecasting Electricity Consumption Using Machine Learning Models // Mathematics. – 2022. – Vol. 10. – P. 1329. – DOI: 10.3390/math10081329.
25. LIN Y., LUO H., WANG D. et al. An ensemble model based on machine learning methods and data preprocessing for short-term electric load forecasting // Energies. – 2017. – Vol. 10. – P. 1186.
26. MAHANTA N., TALUKDAR R. Forecasting of Electricity Consumption by Seasonal Autoregressive Integrated Moving Average Model in Assam // India Int. Journal of Energy Eco-nomics and Policy. – 2024. – Vol. 14(5). – P. 393–400.
27. MESQUITA LOPES CABREIRA M., LEITE COELHO DA SILVA F., DA SILVA CORDEIRO J. et al. A Hybrid Approach for Hierarchical Forecasting of Industrial Electricity Consump-tion in Brazil // Energies. – 2024. – Vol. 17. – P. 3200. – DOI: 10.3390/en17133200.
28. NOWOZIN S. Improved information gain estimates for decision tree induction // arXiv preprint. – arXiv:1206.4620. – 2012.
29. PROKHORENKOVA L., GUSEV G., VOROBEV A. et al. Catboost: unbiased boosting with categorical features // In: Advances in Neural Information Processing Systems. – 2018. – P. 6639–6649.
30. QURESHI M., ARBAB M.A., REHMAN S.U. Deep learn-ing‑based forecasting of electricity consumption // Scientific Reports. – 2024. – Vol. 14. – P. 6489. – DOI: 10.1038/s41598-024-56602-4.
31. RAKHMONOV I.U., NIYOZOV N.N., KURBONOV N.N. et al. Forecasting of electricity consumption by industrial enter-prises with a continuous nature of production // E3S Web of Conferences. – 2023. – Vol. 384. – P. 01030. – DOI: 10.1051/e3sconf/202338401030.
32. SHAH I., ARSHAD I., SAJID A. Statistical Techniques for Modelling and Forecasting Pakistan’s Electricity Consump-tion // Forecasting. – 2023. – Vol. 1. – P. 1–14.
33. SHI H. Best-first decision tree learning. Diss. The University of Waikato, 2007.
34 SON N., SHIN Y. Short- and Medium-Term Electricity Consump-tion Forecasting Using Prophet and GRU // Sustainability. – 2023. – Vol. 15. – P. 15860. – DOI: 10.3390/su152215860.
35. YILDIZ U., KORKUT S.O. Electricity Consumption Forecast-ing using the Prophet Model in Industry: A Case Study // Int. Conf. on Computing, Intelligence and Data Analytics. – 2024. – DOI: 10.1007/978-3-031-53717-2_10.
36. WILK M.B., GNANADESIKAN R. Probability plotting meth-ods for the analysis of data // Biometrika. Biometrika Trust. – 1968. – Vol. 55(1). – P. 1–17.
37. ZHANG D., GONG Y. The Comparison of LightGBM and XGBoost Coupling Factor Analysis and Prediagnosis of Acute Liver Failure // IEEE Access. – 2020. – Vol. 8. – P. 220990–221003. – DOI: 10.1109/ACCESS.2020.3042848.

Выпуск

№ 114 (2025)

Кол-во страниц: 360 страниц

Другие статьи выпуска

ДИНАМИЧЕСКОЕ ВОССТАНОВЛЕНИЕ КОЭФФИЦИЕНТОВ СПЛОШНОЙ СРЕДЫ ПРИ МОДЕЛИРОВАНИИ НЕСТАЦИОНАРНЫХ ПРОЦЕССОВ (2025)

Авторы: Жуков Пётр Игоревич

При моделировании нестационарных процессов в сплошных средах при помощи параболических дифференциальных уравнений часто встречаются ситуации, когда коэффициент, обеспечивающий связь левой и правой части уравнения, описывается как некоторая функция от множества переменных, включая со-стояния исследуемой среды. Восстановление данной зависимости, как правило, требует решения обратных коэффициентных задач, основанных на известных состояниях среды. На практике это означает, что обратная задача решается, опираясь, помимо прочего, на некоторую невязку между модельными дан-ными и известными наблюдениям. Тем не менее нередки случаи, когда таких наблюдений критически мало во времени, например измерения состояния среды происходят с определенным очень большим временным шагом или вообще только в конце нестационарного процесса. Тогда в ретроспективных наблюдениях присутствуют моменты времени, когда состояние среды неизвестно, ввиду чего для них нельзя определить градиент ошибки и с приемлемой точностью восстановить искомую функциональную зависимость. В данной работе предлагается альтернативный взгляд на проблему восстановления коэффициентов сплошной среды для ситуаций, когда известных состояний среды значительно меньше, чем неизвестных. Непрерывный нестационарный процесс был рассмотрен, как дискретный, развивающийся во времени, и была предложена рекуррентная функция смены дискретных состояний. На основе данной функции был предложен численный метод интерполяции градиента ошибки между ожидаемым и фактическим состояниями среды внутри двух любых известными состояний. Был продемонстрирован процесс восстановления дискретных значений коэффициентов в отдельные моменты времени при помощи метода стохастического градиентного спуска на основе численной модели обобщен-ного параболического уравнения с произвольным внешним воздействием на границе.

Сохранить в закладках

Издательство

Издательство: ИПУ РАН
Регион: Россия, Москва
Почтовый адрес: 117997, ГСП-7, г. Москва, Профсоюзная, 65
Юр. адрес: 117997, г. Москва, Профсоюзная, 65
ФИО: Новиков Дмитрий Александрович (дирек)
E-mail адрес: dan@ipu.ru
Контактный телефон: +7 (495) 3348910
Сайт: https://www.ipu.ru/

Все права на тексты и товарные знаки принадлежат их законным владельцам. Подробнее...

Сайт https://scinetwork.ru (далее – сайт) работает по принципу агрегатора – собирает и структурирует информацию из публичных источников в сети Интернет, то есть передает полнотекстовую информацию о товарных знаках в том виде, в котором она содержится в открытом доступе.

Сайт и администрация сайта не используют отображаемые на сайте товарные знаки в коммерческих и рекламных целях, не декларируют своего участия в процессе их государственной регистрации, не заявляют о своих исключительных правах на товарные знаки, а также не гарантируют точность, полноту и достоверность информации.

Все права на товарные знаки принадлежат их законным владельцам!

Сайт носит исключительно информационный характер, и предоставляемые им сведения являются открытыми публичными данными.

Администрация сайта не несет ответственность за какие бы то ни было убытки, возникающие в результате доступа и использования сайта.

Спасибо, понятно.