Прогнозирование электропотребления по историческим данным
Работа посвящена изучению задачи краткосрочного прогнозирования потребления электроэнергии предприятием по историческим данным. Был произведен анализ различных методов и подходов к решению данной задачи. В рамках исследования были реализованы модели на основе множественной линейной регрессии, регрессии опорных векторов, алгоритма случайного леса, а также нейронных сетей с радиальными базисными функциями. Проведен сравнительный анализ результатов прогнозирования на основе различных моделей. Рассмотрены различные способы кодирования исторических, календарных и метеоданных и их влияние на точность прогноза по трем метрикам качества.
Введение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Постановка задачи . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
Обзор литературы . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Глава 1. Обзор методов прогнозирования . . . . . . . . . . . . . . . 8
1.1. Множественная линейная регрессия . . . . . . . . . . . . . . 8
1.2. Регрессия опорных векторов . . . . . . . . . . . . . . . . . . 9
1.3. Случайный лес . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.4. Нейронные сети . . . . . . . . . . . . . . . . . . . . . . . . . 13
Глава 2. Подготовка данных . . . . . . . . . . . . . . . . . . . . . . . 15
2.1. Исторические данные . . . . . . . . . . . . . . . . . . . . . . 16
2.2. Календарные данные . . . . . . . . . . . . . . . . . . . . . . 16
2.3. Метеоданные . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.4. Удаление недель с выбросами . . . . . . . . . . . . . . . . . 23
2.5. Кросс-валидация . . . . . . . . . . . . . . . . . . . . . . . . 23
Глава 3. Результаты . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.1. Разработка моделей . . . . . . . . . . . . . . . . . . . . . . . 25
3.2. Анализ результатов прогнозирования . . . . . . . . . . . . . 26
3.3. Визуализация прогноза . . . . . . . . . . . . . . . . . . . . . 30
Выводы . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
Заключение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
Список литературы . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
Приложение . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
На современном рынке электроэнергии между ее производителями и
потребителями используются контракты. Эти контракты могут быть как дол-
госрочными, на несколько месяцев, и даже лет, так и краткосрочными с го-
ризонтом в одни сутки. Отклонение фактического потребления электроэнер-
гии от спрогнозированного объема влечет необходимость для предприятия
продажи излишнего или закупки недостающего объема электроэнергии по
заведомо невыгодным ценам. Поэтому задача планирования и прогнозирова-
ния энергопотребления является достаточно значимой в электроэнергетике,
и повышение точности этого прогнозирования может существенно снизить
затраты на покупку электроэнергии предприятием.
С развитием вычислительных технологий данная задача все чаще пе-
реходит от экспертных систем к системам автоматизированным, а новые ме-
тоды и алгоритмы машинного обучения и статистические модели позволяют
повышать точность этого прогноза, учитывать множество разных факторов и
находить сложные нелинейные зависимости в данных.
Таким образом, имеющей большое практическое применение и актуаль-
ной научно-технической задачей является разработка методик прогнозиро-
вания потребления электрической энергии на основе исторических и других
имеющихся данных.
Постановка задачи
Целью данной работы является построение модели для прогнозиро-
вания почасового потребления электроэнергии предприятием с горизонтом
прогноза в два дня на основе имеющихся исторических данных об электропо-
треблении и метеофакторах. Также, за это время имеются плановые значения
электропотребления, которые будут использоваться для вычисления метрик
качества построенной прогностической модели.
В связи с поставленной целью были рассмотрены следующие вопросы:
В данной работе был проведен обзор и анализ методов, применяемых
для краткосрочного прогнозирования потребления электроэнергии. Также,
были реализованы модели на основе множественной линейной регрессии, ре-
грессии опорных векторов, случайного леса и радиальных базисных нейрон-
ных сетей. Построенные модели были протестированы на основе имеющих-
ся реальных данных почасового потребления электроэнергии предприятием.
Был проведен анализ, визуализация и сравнение полученных результатов.
Для реализации программной части был использован язык программи-
рования Python 3.6 и библиотеки NumPy для работы с массивами и матема-
тическими функциями, Pandas для представления и обработки данных в виде
таблиц, Scikit Learn для реализации алгоритмов машинного обучения, Keras
для реализации нейронных сетей и Matplotlib для визуализации данных.
Для улучшения полученного результата можно рассмотреть добавление
дополнительных данных, таких как график работы предприятия и данные о
внутренних процессах. Также можно рассмотреть комбинированные методы
и разбиение данной задачи на несколько подзадач и построение отдельных
моделей для каждой из этих подзадач, например, строить отдельный про-
гноз для базового электропотребления предприятия и электропотребления
оборудования.
[1] Hong T. Short Term Electric Load Forecasting : дис. – North Carolina State
University, 2010.
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
4.9 (343 отзыва)
4.8 (13 отзывов)
4.2 (13 отзывов)
4.9 (66 отзывов)
4.9 (20 отзывов)
4.8 (17 отзывов)
4.8 (211 отзывов)
4.7 (46 отзывов)
5 (9 отзывов)
