Порівняльне оцінювання моделей машинного та глибокого навчання для короткострокового прогнозування електроспоживання

Анотація

Зростання обсягів цифровізації енергетичних систем, розвиток технологій Інтернету речей (IoT) та впровадження концепції Smart Grid зумовлюють необхідність підвищення точності короткострокового прогнозування електроспоживання. Від якості прогнозу залежать ефективність керування електричними навантаженнями, оптимізація режимів роботи систем накопичення енергії, інтеграція відновлюваних джерел енергії та підтримка прийняття рішень в інтелектуальних енергетичних системах. Одночасно відсутні однозначні висновки щодо переваг складних моделей глибокого навчання над сучасними алгоритмами машинного навчання для прогнозування регулярних часових рядів електроспоживання.

Метою роботи є порівняльне оцінювання ефективності моделей машинного та глибокого навчання для короткострокового прогнозування енергоспоживання, а також аналіз впливу механізму часової уваги (Attention) на якість прогнозування рекурентної нейронної мережі типу Long Short-Term Memory (LSTM).

Для забезпечення відтворюваності результатів використано відкритий набір даних Power Consumption of Tetouan City, що містить понад 52 тис. вимірювань електроспоживання та синхронізовані метеорологічні параметри. Виконано агрегування даних до погодинної дискретизації, стандартизацію ознак, циклічне кодування календарних характеристик та формування навчальних послідовностей із використанням ковзного часового вікна тривалістю 24 години. У межах єдиної експериментальної методики проведено порівняльне дослідження моделей Persistence, Ridge Regression, Random Forest, HistGradientBoosting, LSTM, GRU та LSTM-Attention. Якість прогнозування оцінювалася за показниками MAE, RMSE, MAPE та коефіцієнтом детермінації (R²).

Результати експерименту показали, що найкращу якість прогнозування для досліджуваного набору даних забезпечили моделі Ridge Regression та HistGradientBoosting, які досягли значень RMSE 898,29 та 901,13 відповідно, коефіцієнта детермінації понад 0,977 і MAPE близько 2,2%. Встановлено, що застосування механізму часової уваги дозволило покращити результати рекурентної моделі LSTM: середньоквадратична похибка зменшилася на 16,70%, а середня абсолютна похибка – на 23,66% порівняно зі стандартною LSTM. Разом із тим для досліджуваного часового ряду запропонована модель LSTM-Attention не перевершила найкращі регресійні моделі, що свідчить про доцільність вибору алгоритму прогнозування залежно від властивостей конкретного набору даних.

Отримані результати підтверджують ефективність використання механізму Attention для підвищення якості рекурентних нейронних мереж та демонструють, що для регулярних погодинних часових рядів сучасні регресійні алгоритми можуть забезпечувати вищу точність прогнозування, ніж складні моделі глибокого навчання. Практичне значення дослідження полягає у можливості використання отриманих результатів під час вибору моделей прогнозування для систем енергоменеджменту, інтелектуальних електричних мереж та аналітичних платформ оброблення енергетичних даних.