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!
5 (22 отзыва)
4.8 (211 отзывов)
4.2 (13 отзывов)
4.8 (9 отзывов)
4.9 (66 отзывов)
0 (13 отзывов)
5 (154 отзыва)
4.9 (298 отзывов)
4 (15 отзывов)
