Автор: А.В. Кычкин, Национальный исследовательский университет Высшая школа экономики, филиал в г. Перми, кафедра информационных технологий в бизнесе
Author: A.V. Kychkin, National research university Higher school of economics, Department of information technologies in business
Ключевые слова: машинное обучение; управление спросом на электроэнергию; электропотребление; краткосрочное прогнозирование; нейросетевые модели; ансамблевые модели; модели селективного выбора.
Key words: machine learning; demand response; electricity consumption; short term load forecasting; neuron nets; ensemble models; selective choice models.
Аннотация: В работе рассматривается задача краткосрочного прогнозирования (на сутки вперед) электрической нагрузки агрегированной группы потребителей. Такие прогнозы, как правило, требуют постоянной подстройки коэффициентов расчетных моделей, что вызвано несистематическими изменениями в характере нагрузок одиночных потребителей. Для повышения качества прогнозирования предложено использовать ансамблевые модели на основе линейной регрессии, нейронной сети в виде многослойного персептрона, взвешенного среднего. Рассматривается сезонная устойчивая регрессионная модель (SPR), обеспечивающая оптимальный выбор между низкочастотными и высокочастотными устойчивыми и временными зависимостями, характерными для профиля нагрузки на производственных объектах или зданиях, и сезонная устойчивая модель на основе нейронной сети (SPNN), предназначенная для обнаружения нелинейных зависимостей между прогнозом и признаками модели SPR. C учетом того что точность модели прогнозирования может меняться в течение года и что для моделей может потребоваться разное время на обучение, в статье также исследуются различные вариации ансамблевых моделей (т. е. сочетания ранее рассмотренных моделей) и стратегий переключения между моделями. Предложено несколько моделей селективного выбора. Проведенные эксперименты с использованием реальных данных о группе зданий демонстрируют высокую точность прогнозирования. Показано, как предлагаемые модели адаптируются под изменяющиеся условия агрегированного энергопотребления в течение года. Способность к адаптации и робастность прогнозных моделей всегда обеспечивают более высокие результаты по сравнению со стандартными методами прогнозирования. Исследование выполнено при финансовой поддержке правительства Пермского края в рамках проекта Международной исследовательской группы «Разработка цифровой модели прогнозирования и ценозависимого управления спросом на электроэнергию, потребляемую подземными горнодобывающими предприятиями» (2020).
Abstract: Problem of short-term forecasting (one day ahead) of the electric load of an aggregated group of consumers is considered. Such forecasts, as a rule, require constant adjustment of the coefficients of calculation models, which is caused by non-systematic changes in the nature of loads of single consumers. To improve the quality of forecasting, we propose to use ensemble models based on linear regression, a neural network in the form of a multilayer perceptron, and a weighted average. Seasonal stable regression model (SPR) is considered, it provides optimal choice between lowfrequency and high-frequency stable and temporal dependences, typical for load profile at buildings or production facilities, and seasonal stable neural network based model (SPNN), designed to detect nonlinear dependences between the forecast and the SPR model features. Given that the accuracy of the prediction model can vary throughout the year, and that models may require different training times, the paper also explores different variations of ensemble models (i. e., combinations of the models previously discussed) and switching strategies between models. Several selective choice models are proposed. The conducted experiments using real data obtained from group of buildings demonstrate high prediction accuracy. It is shown how the proposed models adapt to the changing energy consumption conditions of the aggregate group during the year. The adaptability and robustness of the predictive models ensures always better results compared to standard predictive methods. The research was carried out with the financial support of the Government of the Perm region within the framework of the project of the International Research Group “Development of a digital model for forecasting and price-dependent management of demand for electric power consumed by underground mining enterprises”, 2020.
