А.Н. Алюнов1, К.Д. Мосолова2

1,2 Финансовый университет при Правительстве РФ (Москва, Россия)

Постановка проблемы. Прогнозирование потребления электроэнергии является сложным и важным процессом для промышленных предприятий. Точность прогноза на ближайшее время позволяет не только избежать дополнительных затрат на энергию, но и оптимизировать производственные процессы. Для достижения этой цели необходимо использовать гибкие решения, обеспечивающие точный и интерпретируемый результат в короткие сроки. Промышленные предприятия (компании), потребляющие значительное количество электрической энергии, обязаны каждый день подавать заявки с информацией, сколько планируется закупить электроэнергии на ближайшие сутки. Отклонение фактического потребления электроэнергии в меньшую или большую сторону приводит к дополнительным расходам. Следовательно, требуется развитие алгоритмов прогнозирования объемов потребления электрической энергии, при этом использование методов машинного обучения для решения рассматриваемой задачи позволит повысить точность прогнозов на основе существующих решений. Машинное обучение может выявить и учесть закономерности, которые игнорируются как при ручных расчетах, так и при использовании статистических моделей.

Цель. Разработать алгоритм прогнозирования потребления объемов электрической энергии на основе выбранной математической модели, обеспечивающий повышение эффективности промышленного предприятия.

Результаты. Предложен алгоритм прогнозирования потребления электроэнергии промышленным предприятием, который на основе собранной от систем коммерческого учета электроэнергии информации позволил достичь точности в 91%. Модель «случайный лес» может позволить оптимизировать процессы на производстве, что является преимуществом разработанного алгоритма.

Практическая значимость. Результаты исследования могут послужить отправной точкой для дальнейшего изучения проблемы с целью добиться еще большей точности прогнозов, а также создания программных продуктов по прогнозированию объемов потребления электроэнергии промышленными предприятиями.

Алюнов А.Н., Мосолова К.Д. Прогнозирование объемов потребления электрической энергии с применением методов машинного обучения // Нейрокомпьютеры: разработка, применение. 2023. T. 25. № 5. С. 58-70. DOI: https://doi.org/10.18127/j19998554-202305-08

1. Ahire P.G., Patil P.D. Context-Aware Clustering and the Optimized Whale Optimization Algorithm: An Effective Predictive Model for the Smart Grid // International Journal on Recent and Innovation Trends in Computing and Communication. 2023. V. 11. № 1. P. 62–76. DOI 10.17762/ijritcc.v11i1.5987.
2. Матренин П.В. [Антикейс] Прогнозирование и планирование потребления электроэнергии с помощью machine learning (эксперимент). [Электронный ресурс] – Режим доступа: https://habr.com/ru/articles/577732/, дата обращения: 20.05.2023.
3. Мигранов М.М., Устинов А.А., Мельников А.В. Прогнозирование потребления электроэнергии. Практика применения // Электроэнергия. Передача и распределение. 2018. № 2(47). С. 44–53.
4. Моргоева А.Д., Моргоев И.Д., Клюев Р.В., Гаврина О.А. Прогнозирование потребления электрической энергии промышленным предприятием с помощью методов машинного обучения // Известия Томского политехнического университета. 2022. № 7. С. 115–125. DOI 10.18799/24131830/2022/7/3527.
5. Кирилычев И.А. Преимущества использования искусственных нейронных сетей в прогнозировании энергопотребления и цен на электроэнергию // Молодой учёный. 2022. № 413. С. 72–73.
6. Гужов С.В. Нейронные сети как инструмент прогнозирования энергопотребления | Эксперт-бюро ЭнергиаВита. Энергоэффективность, экология, цифровизация. [Электронный ресурс] – Режим доступа: https://energiavita.ru/2020/06/28/ nejronnye-seti-kak-instrument-prognozirovaniya-ehnergopotrebleniya/, дата обращения: 22.05.2023.
7. Ильиных М.В. Применение методов искусственного интеллекта при прогнозировании энергопотребления (на примере ФГБОУ ВО «ПГУ им. Шолом-Алейхема») // Вестник Приамурского государственного университета им. Шолом-Алейхема. 2020. № 4(41). С. 29–41. DOI 10.24412/2227-1384-2020-4-29-41.
8. Catal C., Ece K., Arslan B., Akbulut A. Benchmarking of Regression Algorithms and Time Series Analysis Techniques for Sales Forecasting // Balkan Journal of Electrical and Computer Engineering. 2019. V. 7. № 1. P. 20–26. DOI 10.17694/bajece.494920.
9. Моргоев И.Д., Дзгоев А.Э., Клюев Р.В., Моргоева А.Д. Прогнозирование потребления электроэнергии предприятиями народнохозяйственного комплекса в условиях неполноты информации // Известия Кабардино-Балкарского научного центра РАН. 2022. № 3(107). С. 9–20. DOI 10.35330/1991-6639-2022-3-107-9-20.
10. Garcia-Martin E., Rodrigues C., Riley G., Grahn H. Estimation of energy consumption in machine learning // Journal of Parallel and Distributed Computing. 2019. V. 134. P. 75–88. DOI 10.1016/j.jpdc.2019.07.007.
11. Banik R., Das P., Ray S., Biswas A. Prediction of electrical energy consumption based on machine learning technique // Electrical Engineering. 2021. V. 103. P. 909–920. DOI 10.1007/s00202-020-01126-z.
12. Tian Y., Yu J., Zhao A. Predictive model of energy consumption for office building by using improved GWO-BP // Energy Reports. 2020. V. 6. P. 620–627. DOI 10.1016/j.egyr.2020.03.003.
13. Chen H., Lee C. Electricity consumption prediction for buildings using multiple adaptive network-based fuzzy inference system models and gray relational analysis // Energy Reports. 2019. V. 5. P. 1509–1524. DOI 10.1016/j.egyr.2019.10.009.
14. Червяков Н.И., Тихонов Э.Е. Применение нейронных сетей для задач прогнозирования и проблемы идентификации моделей прогнозирования на нейронных сетях // Нейрокомпьютеры: разработка, применение. 2003. № 10–11. С. 25–31.
15. Хальясмаа А.И., Матренин П.В., Ерошенко С.А. Анализ ошибок применения алгоритмов машинного обучения в задачах электроэнергетики // Электроэнергия. Передача и распределение. 2021. № 66. С. 46–53.
16. Костыгов А.М., Кычкин А.В., Борковец К.А. Прогнозирование электропотребления здания на основе селективного выбора нейронной сети // Информационно-измерительные и управляющие системы. 2017. Т. 15. № 9. С. 75–82.
17. Dudek G.A. Comprehensive Study of Random Forest for Short-Term Load Forecasting // Energies. 2022. V. 15. № 20. P. 7547. DOI 10.3390/en15207547.
18. История погоды: справочно-информационный портал. [Электронный ресурс] – Режим доступа: https://weatherarchive.ru/, дата обращения 10.05.2023.
19. Why you should try Mean Encoding. [Электронный ресурс] – Режим доступа: https://towardsdatascience.com/why-you-should-try-mean-encoding-17057262cd0, дата обращения: 29.04.2023.