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

 

Используя сайт https://journals.rcsi.science, я (далее – «Пользователь» или «Субъект персональных данных») даю согласие на обработку персональных данных на этом сайте (текст Согласия) и на обработку персональных данных с помощью сервиса «Яндекс.Метрика» (текст Согласия).