Системный анализ данных и моделирование поведения потребления электроэнергии на каждый час суток с помощью методов машинного обучения

Обложка

Цитировать

Полный текст

Аннотация

Потребление электроэнергии является ключевым фактором устойчивого развития в энергетической отрасли, и точное прогнозирование его изменений имеет важное значение для эффективного управления большими электроэнергетическими 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 искусственного 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 модели на реальных производственных данных энергетической компании. Проведенное исследование и полученные результаты позволяют авторам сделать вывод о том, что разработанная математическая модель методом машинного 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.

Об авторах

Алан Эдуардович Дзгоев

РТУ МИРЭА

Email: dzgoev@mirea.ru
Москва

Анна Дмитриевна Лагунова

РТУ МИРЭА

Email: lagunova@mirea.ru
Москва

Станислав Таймуразович Карацев

Финансовый университет при Правительстве РФ (Владикавказский филиал)

Email: stkaratsev@fa.ru
Владикавказ

Илья Андреевич Конюшок

ООО «Рестадвайзер»

Email: konushok@mail.ru
Санкт-Петербург

Иван Александрович Комаров

ООО «Фриссон»

Email: info@frisson.ai
Санкт-Петербург

Игорь Маратович Хузмиев

ПАО «Россети Северный Кавказ»

Email: huzmiev-im@rossetisk.ru
Пятигорск

Олег Ярославович Гладышев

Филиал АО "СО ЕЭС" ОДУ Северо-Запада

Email: gladushev-oya@odusz.so-ups.ru
Санкт-Петербург

Список литературы

  1. АЛКАЦЕВ М.И., ДЗГОЕВ А.Э., БЕТРОЗОВ М.С. Иссле-дование и разработка метода прогнозирования потреб-ления электроэнергии в системе управления электро-снабжением региона // Известия высших учебных заве-дений. 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 си-стемы прогнозирования электропотребления промыш-ленного предприятия в условиях оптового рынка // Про-мышленная 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. Мате-матические 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. Прогнозирование электропотребления на горнопромыш-ленных предприятиях с использованием статистиче-ских методов // Горная промышленность. – 2022. – №1. – С. 82–88.
  8. КАРПЕНКО С.М., КАРПЕНКО Н.В., САХАРОВ В.Е. Мо-делирование электропотребления на основе данных с переменной структурой // Энергобезопасность и энерго-сбережение. –2021. – №1. – С. 13–17.
  9. КУРБАНГАЛИЕВ У.К., ЛИСИЦИН Н.В. Требования к коммерческому учёту электрической энергии и мощно-сти в условиях оптового рынка // Энергетик. – №1. – 1996. – С. 2–4.
  10. МАТЮНИНА Ю.В., МАКАРЕНКО И.Г. Работа потре-бителей на рынках электроэнергии: учебное пособие. – М.: Издательский дом МЭИ, 2008. – 64 с.
  11. МОРГОЕВ И.Д., ДЗГОЕВ А.Э., КЛЮЕВ Р.В. и др. Про-гнозирование потребления электроэнергии предприяти-ями народнохозяйственного комплекса в условиях непол-ноты 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 multi-variable 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 Model for Short-Term Energy Load Prediction Based on Transfer Learning with LightGBM for Smart Grids in Smart Energy Systems // 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 // Engineer-ing, 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 // Mobile Information Systems. – 2022. – P. 1–16. – doi: 10.1155/2022/5465322.
  19. GUPTA P., BAGCH A. Introduction to Pandas // In: Essen-tials of Python for Artificial Intelligence and Machine Learn-ing. – 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 ho-mogeneous 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» // Ad-vances in Neural Information Processing Systems. – 2017. – Vol. 30.
  23. KHANH-TOAN NGUYEN, THANH-NGOC TRAN, HUY-TUAN NGUYEN Research on the Influence of Hyperpa-rameters on the LightGBM Model in Load Forecasting // En-gineering, 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 Comparative 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 Ap-proach for Hierarchical Forecasting of Industrial Electricity Consumption in Brazil // Energies. – 2024. – Vol. 17. – P. 3200. – doi: 10.3390/en17133200.
  28. NOWOZIN S. Improved information gain estimates for deci-sion 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 en-terprises 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 Con-sumption Forecasting Using Prophet and GRU // Sustaina-bility. – 2023. – Vol. 15. – P. 15860. – doi: 10.3390/su152215860.35. YILDIZ U., KORKUT S.O. Electricity Consumption Fore-casting 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 methods 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.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».