Автор: А.В. Кычкин, к.т.н., Национальный исследовательский университет Высшая школа экономики, филиал в г. Пермь (НИУ ВШЭ – Пермь)
Author: A.V. Kychkin, ph. d., National research university «Higher school of economics»
Ключевые слова: машинное обучение; управление спросом на электроэнергию; электропотребление; краткосрочное прогнозирование; устойчивые модели; авторегрессионные модели; модель Хольта — Вин‑ терса; сезонные модели.
Key words: machine learning; demand response; electricity consumption; short term load forecasting; persistence models; autoregressive models; Holt — Winters model.
Аннотация: Важной задачей в рамках управления спросом на электроэнергию является формирование точных прогнозов профилей электрических нагрузок как для отдельных потребителей, так и для их агрегированных групп. Для решения задачи прогнозирования электрической нагрузки на одни сутки вперед предложено использовать методы машинного обучения. Для формирования подобных прогнозов используются исторические данные энергопотребления, представленные в виде временных рядов с фиксированным временным интервалом. В статье рассмотрены существующие методы прогнозирования, включая:
а) модели на основе базовых линий;
б) авторегрессионные модели (например, AR и SARIMA);
в) тройное экспоненциальное сглаживание (метод Хольта — Винтерса);
г) комбинации моделей на основе базовых линий и авторегрессионных моделей (PAR).
Предложена новая модель прогнозирования — сезонная устойчивая регрессионная модель (SPR), обеспечивающая оптимальный выбор между низкочастотными и высокочастотными временными зависимостями, характерными для профиля нагрузки в зданиях. Поскольку предлагаемый метод прогнозирования сводится к задаче оптимизации при построении регрессии, для обучения модели используется рекурсивный метод наименьших квадратов (МНК), обеспечивающий вычислительную эффективность.
Проведенные эксперименты демонстрируют высокую точность прогнозирования предложенного метода по сравнению со стандартными методами прогнозирования.
Abstract: In the context of electricity demand response, an important task is to generate accurate forecasts of energy loads for individual consumers as well as groups of objects. The machine learning approach is proposed for the solving the problem of short‑term (one day ahead) forecasting of the electricity consumption. In order to generate such forecasts, historical energy consumption data is used, presented in the form of a time series with a fixed time step. In this paper, the existing (one day ahead) forecasting methodologies are proposed, including:
— baseline persistence models,
— autoregressive‑based models (e. g., AR and SARIMA),
— triple exponential smoothing (Holt‑ Winters) model, and
— combinations of baseline persistence and auto‑ regressive‑based models (PAR).
We then introduce a novel forecasting methodology, namely seasonal persistence based regressive model (SPR) that optimally selects between lower‑ and higher‑frequency persistence and temporal dependencies that are specific to the buildings electricity load profiles. Given that the proposed forecasting method equivalently translates into a regression optimization problem, recursive‑least‑squares is utilized to train the model in a computationally efficient manner. This method demonstrate the forecasting accuracy in comparison with the standard forecasting techniques (a)-(d) through.
