System data analysis and modeling of electricity consumption behavior for every hour of the day using machine learning methods

Мұқаба

Дәйексөз келтіру

Толық мәтін

Аннотация

Electricity consumption is a key driver of sustainable development in the energy industry, and accurately predicting its changes is essential for the efficient management of large electric power systems and resources. The aim of this study is to develop a mathematical (regression) model for predicting the behavior of electricity consumption for each hour of the next day for energy supply companies using modern methods of machine learning and artificial intelligence. This article discusses various artificial intelligence methods used to model and predict electricity consumption. These methods include a linear model, a random forest, and two implementations of gradient boosting over decision trees. A scientific approach based on Boosting artificial intelligence technology allows to minimize the error in forecasting electricity consumption in large energy companies. The authors have developed a new, useful and high-quality regression model that adequately describes experimental data on electricity consumption for each hour of the day. The developed regression model was tested on real production data of an energy company. The conducted research and the obtained results allow the authors to conclude that the mathematical model developed using the machine learning method – LightGBM, can be used by energy supply companies for hourly planning of electricity consumption when submitting applications to the wholesale electricity and capacity market (WECM) for several days in advance. The research was carried out in the Python programming language.

Авторлар туралы

Alan Dzgoev

RTU MIREA

Email: dzgoev@mirea.ru
Moscow

Anna Lagunova

RTU MIREA

Email: lagunova@mirea.ru
Moscow

Stanislav Karatsev

Financial University under the Government of the Russian Federation (Vladikavkaz branch)

Email: stkaratsev@fa.ru
Vladikavkaz

Ilya Konushok

Restadviser LLC

Email: konushok@mail.ru
St. Petersburg

Ivan Komarov

Frisson LLC

Email: info@frisson.ai
St. Petersburg

Igor Huzmiev

PJSC "ROSSETI Severny Kavkaz"

Email: huzmiev-im@rossetisk.ru
Pyatigorsk

Oleg Gladushev

Branch of JSC "SO UES" of the North-West Regional Control Department

Email: gladushev-oya@odusz.so-ups.ru
St. Petersburg

Әдебиет тізімі

  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.

Қосымша файлдар

Қосымша файлдар
Әрекет
1. JATS XML
Жүктеу


Creative Commons License
Бұл мақала лицензия бойынша қол жетімді 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».