Аннотация
Планирование энергосистемы отвечает за производство, передачу и распределение электроэнергии. Таким образом, точный прогноз потребления электроэнергии имеет важное значение, поскольку он служит основой для управления энергопотреблением и оперативных решений. Это стало бы большим шагом вперед для производителей энергии. Кроме того, усовершенствованная обработка данных об энергии открывает новые возможности для сбора данных, их изучения, а также для более точного прогнозирования. В результате исследователи во всем мире предпринимают попытки повысить прогнозы спроса на энергию. Поэтому энергетическим компаниям необходимо исследовать модели, чтобы лучше прогнозировать и планировать использование энергии. Одним из подходов к решению этой проблемы является оценка потребления энергии на уровне потребителя. Задача прогнозирования энергопотребления представляет собой задачу регрессии временных рядов. Она состоит в прогнозировании потребления энергии на следующие несколько дней с учетом конечной истории клиента. Методы машинного обучения показали многообещающие результаты в различных задачах, включая задачи временных рядов и регрессии. Часть этих многообещающих результатов связана с глубокими нейронными сетями. Хотя глубокие архитектуры моделей исследовались в других областях, они не использовались для решения проблемы прогнозирования энергопотребления. В этой работе предлагается новая эффективная система для прогнозирования ежемесячного потребления энергии с использованием методов глубокого обучения. Авторы проанализировали две модели машинного обучения, разработали несколько архитектур моделей нейронных сетей. Исследование моделей проводилось на наборе данных, который включал в себя исторические данные за 10 лет. Результаты показали, что итоговая архитектура гибридной модели может прогнозировать ежечасное потребление энергии с относительной ошибкой 5%. Предлагаемое решение могло бы подействовать на производителей/распределителей энергии в качестве помощи интеллектуальным счетчикам для принятия более эффективных решений по сокращению общего потребления энергии за счет ограничения производства энергии.
Ключевые слова
Машинное обучение, нейронные сети, XGBoost, LSTM, RNN, CNN, прогнозирование энергопотребления, временные ряды, энергетика.
1. Kitov V.V., Mishustina M.V., Ustyuzhanin A.O. Time series prediction survey of statistical, machine learning and deep learning methods: historical aspects // Вопросы истории. 2022. № 4-2. С. 201-218. doi: 10.31166/VoprosyIstorii202204Statyi40
2. Berdonosov V.D., Vasilev G.V., Zhivotova A.A. Analysis and development potential of predictive models for energy flows of autonomous hybrid energy systems // Journal of physics: conference series. 2021. Vol. 2096. 012024. doi: 10.1088/1742-6596/2096/1/012024
3. Исследование и применение архитектур глубоких нейронных сетей для классификации на многомерных временных рядах / А.С. Есенков, Е.М. Захарова, М.Д. Ковалева, Д.Е. Константинов, И.С. Макаров, Е.А. Панковец // Известия российской академии наук. Теория и системы управления. 2022. № 4. С 133-142. doi: 10.31857/s0002338822040072
4. Васильев Г.В., Бердоносов В.Д. Разработка и сравнение моделей прогнозирования потребления электроэнергии с помощью рекуррентных нейросетей с долгой краткосрочной памятью // Наука, инновации и технологии: от идей к внедрению: материалы Международной научно-практической конференции. Комсомольск-на-Амуре, 2022. С. 203-206.
5. Васильев Г.В., Бердоносов В.Д. Анализ моделей потоков энергий гибридных энергетических систем // Актуальные проблемы информационно-телекоммуникационных технологий и математического моделирования в современной науке и промышленности: материалы I Международной научно-практической конференции молодых учёных. Комсомольск-на-Амуре, 2022. С. 191-194. doi: 10.17084/978-5-7765-1488-3-2021-191
6. Deep CNN-LSTM-based dstatcom for power quality enhancement in microgrid / P. Kandasamy, K. Chandrasekaran, R. Natarajan, J. Selvaraj // Journal of circuits, systems, and computers. 2022. Vol. 31. No. 7. 2250130. doi: 10.1142/S0218126622501304
7. Enterprise economic forecasting method based on ARIMA-LSTM model / X. Dong, X. Zong, J. Wang, P. Li // Lecture notes of the institute for computer sciences, social-informatics and telecommunications engineering. 2022. Vol. 429. Pp 36-57. doi: 10.1007/978-3-030-99188-3_4
8. Sentinel-1 spatiotemporal simulation using convolutional LSTM for flood mapping / N.I. Ulloa, S.H. Chiang, S.H. Yun, R. Furuta // Remote sensing. 2022. Vol. 14. No. 2. 246. doi: 10.3390/rs14020246
9. Automated detection of rehabilitation exercise by stroke patients using 3-layer CNN-LSTM model / Z.U. Rahman, S.I. Ullah, A. Salam, T. Rahman, I. Khan, B. Niazi // Journal of Healthcare Engineering. 2022. Vol. 2022. 1563707. doi: 10.1155/2022/1563707
10. Адаптивные ансамблевые модели для среднесрочного прогнозирования выработки электроэнергии гидроэлектростанциями в изолированных энергосистемах с учетом изменений температуры / М.Х. Сафаралиев, П.В. Матренин, С.А. Дмитриев, Дж.С. Ахьеев, С.Е. Кокин // Электротехнические системы и комплексы. 2022. № 1(54). C. 38-45. doi: 10.18503/2311-8318-2022-1(54)-38-45
11. Zhao B., Li X., Lu X. CAM-RNN: Co-attention model based RNN for video captioning // IEEE Trans. Image Process. 2019. Vol. 28. No. 11. Pp. 5552-5565. doi: 10.1109/TIP.2019.2916757
12. Predicting Alzheimer's disease using LSTM / X. Hong, R. Lin, C. Yang, N. Zeng, C. Cai, J. Gou, J. Yang // IEEE Access. 2019. Vol. 7. Pp. 80893-80901. doi: 10.1109/ACCESS.2019.2919385
13. Алексеев А.О., Антонов В.И. Подтверждение Конфигурации Электрической сети с помощью LSTM-нейронной сети // Информационные технологии в электротехнике и электроэнергетике: материалы XIII Всероссийской научно-технической конференции. Чебоксары, 2022. С. 340-344.
14. Hasoon S.O., Al-Hashimi M.M. Hybrid deep neural network and long short term memory network for predicting of sunspot time series // International Journal of Mathematics and Computer Science. 2022. Vol. 17. No. 3. Pp. 955-967.
15. Мейзер М.В., Северьянова Е.Д. Пример прогнозирования временных рядов с помощью рекуррентной нейронной сети LSTM // Профессиональные коммуникации в научной среде - фактор обеспечения качества исследований: материалы XI Всероссийской научно-практической конференции. Санкт-Петербург, 2022. С. 211-214.
16. Тимофеев А.Г., Лебединская О.Г. Модель применения сверточной нейронной сети (CNN) в сочетании с долговременной памятью (LSTM) прогнозирования цены на нефть в условиях неопределенности // Транспортное дело России. 2022. № 2. С. 54-59. doi: 10.52375/20728689_2022_2_54
17. Истамкулов Х.С. Анализ использования и применения архитектуры LSTM // Современная наука: актуальные проблемы теории и практики. Серия: Естественные и технические науки. 2022. № 6. С. 77-80. doi: 10.37882/2223-2966.2022.06.16
18. A wind power forecasting model using LSTM optimized by the modified bald eagle search algorithm / W. Tuerxun, L. Guo, C. Xu, H. Guo, Y. Gao, N. Zeng // Energies. 2022. Vol. 15. No. 6. 2031. doi: 10.3390/en15062031
19. Zhao R., Lam K., Lun D.P.K. Enhancement of a CNN-based denoiser based on spatial and spectral analysis // IEEE international conference on image processing (ICIP). Taipei. Taiwan, 2019. Pp. 1124-1128. doi: 10.1109/ICIP.2019.8804295
20. Бахметенко О.А., Елисеева А.А. Разработка алгоритма управления микросетью с возобновляемыми источниками энергии учетом краткосрочных прогнозов выработки и потребления электрической энергии // Электроэнергетика глазами молодежи: материалы XI Международной научно-технической конференции. Ставрополь: Северо-Кавказский федеральный университет, 2020. Т. 2. C. 149-150.
21. Методы определения индивидуального потребления тепловой энергии, реализованные на базе интеллектуальной системы контроля энергоресурсов / Ю.И. Штерн, Я.С. Кожевников, В.А. Медведев, Р.Е. Миронов, И.С. Караваев // Измерительная техника. 2013. № 2. С. 46-50.
22. Слюсарева В.А., Буданцев А.В. Исследование и прогнозирование временных рядов // Актуальные исследования. 2022. № 21 (100). С. 33-37.
23. Context-aware deep model for joint mobility and time prediction / Y. Chen, C. Long, G. Cong, C. Li // Proceedings of the 13th International Conference on Web Search and Data Mining (WSDM). NY, United States, 2020. Pp. 106-114. doi: 10.1145/3336191.3371837
24. Мейзер М.В., Северьянова Е.Д., Мокшин В.В. Пример прогнозирования временных рядов с помощью рекуррентной нейронной сети LSTM // Молодой ученый. 2022. № 9 (404). С. 13-15.
25. Шишков Е.М., Проничев А.В., Савельев А.А. Прогнозирование временных рядов с применением методов машинного обучения на примере графика выдачи мощности электрической станции // Международный научно-исследовательский журнал. 2022. № 2-1 (116). С. 56-60. doi: 10.23670/IRJ.2022.116.2.009
26. Емалетдинова Л.Ю., Кабирова А.Н., Вильданов Н.Р. Нейросетевое моделирование задачи прогнозирования значений временного ряда // Вестник технологического университета. 2022. T. 25. № 10. С. 101-106. doi: 10.55421/1998-7072_2022_25_10_101
27. Девришев Н.Э., Хэ Ю., Петросян О.Л. Обнаружение аномалий во временных рядах с помощью методов прогнозирования // Процессы управления и устойчивость. 2022. Т. 9. № 1. С. 202-209.
28. Евстигнеев И.П. Прогнозирование временных рядов // Системный администратор. 2022. № 7-8 (236-237). С. 138-139.
29. Тимофеев Г.А., Бердоносов В.Д. Использование актуальных инструментов для сбора и анализа данных // Наука, инновации и технологии: от идей к внедрению: материалы Международной научно-практической конференции. Комсомольск-на-Амуре, 2022. С. 257-258.
Васильев Г.В., Бердоносов В.Д. Методика по эффективному применению гибридных моделей нейронных сетей для прогнозирования энергопотребления // Электротехнические системы и комплексы. 2022. № 4(57). С. 88-95. https://doi.org/10.18503/2311-8318-2022-4(57)-88-95