Электр энергиясын тұтынуды болжаудың деректер ғылымына негізделген модельдері

Аңдатпа

Электр энергиясын тұтынуды дәл болжау қазіргі заманғы энергетикалық жүйелерде жоспарлау мен операциялық шешімдер қабылдаудың негізгі факторларының бірі болып табылады. Бұл зерттеуде электр энергиясына деген сұранысты болжауға арналған деректер ғылымына негізделген әдістеме ұсынылып, бірдей эксперименттік жағдайларда машиналық оқыту мен терең оқыту тәсілдері тікелей салыстырылады. Атап айтқанда, ағаш құрылымына негізделген XGBoost моделі мен қайталанатын нейрондық желі - Long Short-Term Memory (LSTM) бірдей деректер жиынында, деректерді алдын ала өңдеудің, бөлу тәсілдерінің және бағалау метрикаларының бірізді шарттарында бағаланды. Қазіргі таңда ағашқа негізделген модельдер құрылымдалған уақытқа тәуелді деректердегі сызықтық емес тәуелділіктерді анықтау үшін уақыттық белгілерді (temporal feature engineering) айқын түрде құрастыруды талап етеді. Ал LSTM желілері жүктеме мәндерінің тізбекті бақылаулары негізінде уақыттық тәуелділіктерді тікелей үйренеді. Модельдердің өнімділігі RMSE және MAPE көрсеткіштері арқылы бағаланды. Нәтижелерге сәйкес, LSTM уақыттық динамиканы тиімді қамтуының арқасында ең жоғары болжау дәлдігін көрсетті, ал XGBoost есептеу күрделілігі төмен бола отырып, бәсекеге қабілетті нәтижелер ұсынды. Бұл электр энергиясын тұтынуды болжау барысында модель дәлдігі, интерпретациялануы және есептеу тиімділігі арасында контекстке тәуелді маңызды теңгерімдердің бар екенін көрсетеді.