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

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.