Модели на основе науки о данных для прогнозирования потребления электроэнергии

Аннотация

Точное прогнозирование потребления электроэнергии является ключевым элементом современных энергетических систем как для планирования, так и для принятия оперативных решений. В данном исследовании предлагается методология прогнозирования спроса на электроэнергию, основанная на науке о данных, а также проводится прямое сравнение методов машинного обучения и глубокого обучения в идентичных экспериментальных условиях. В частности, древовидная модель XGBoost и рекуррентная нейронная сеть Long Short-Term Memory (LSTM) были оценены на одном и том же наборе данных при одинаковых процедурах предварительной обработки данных, разбиения выборок и метриках оценки. В настоящее время модели на основе деревьев используют явное конструирование временных признаков (temporal feature engineering) для выявления нелинейных зависимостей в структурированных временных данных. В отличие от них, сети LSTM непосредственно обучаются временным зависимостям на основе последовательных наблюдений нагрузки. Оценка качества моделей проводилась с использованием показателей RMSE и MAPE. Полученные результаты показывают, что модель LSTM обеспечивает наивысшую точность прогнозирования благодаря более эффективному захвату временной динамики, тогда как XGBoost демонстрирует конкурентоспособную производительность при меньшей вычислительной сложности. Это свидетельствует о наличии контекстно-зависимых компромиссов между точностью модели, ее интерпретируемостью и вычислительной эффективностью при прогнозировании потребления электроэнергии.