CC BY
11
Логунова Оксана Сергеевна, д-р техн. наук, профессор, заведующий кафедрой, logunova66@mail.ru, Россия, Магнитогорск, Магнитогорский государственный технический университет им. Г.И. Носова,
Гарбар Евгений Александрович, аспирант, evgenyjam@yandex. ru, Россия, Магнитогорск, Магнитогорский государственный технический университет им. Г.И. Носова
MATHEMATICAL SOFTWARE OF THE SUBSYSTEM OF INTELLIGENT SUPPORT FOR DECISION-MAKING ON THE MANIFESTATION OF DEFECTS ON THE ROLLED
SURFACE
E.A. Garbar, O.C. Logunova
The possibility of integrating into the system of optical quality control of the surface of cold-rolled steel a subsystem of intelligent decision support for the recognition of defects in the image is considered. The subsystem evaluates images based on the properties of its histogram. The paper proposes a method for decomposing an image into active layers and using them to calculate the total probability of a defect in a surface image.
Key words: optical control system, intelligent support subsystem, image histogram, active image layers, total probability.
Logunova Oksana Sergeevna, doctor of technical science, professor, head of chair, logunova66@mail.ru, Russia, Magnitogorsk, Nosov State Technical University,
Garbar Evgeniy Aleksandrovich, postgraduate, evgenyjam@,yandex. ru, Russia, Magnitogorsk, Nosov State Technical University
УДК 519.6
DOI: 10.24412/2071-6168-2023-8-196-197
ИССЛЕДОВАНИЕ ПОДХОДОВ К КРАТКОСРОЧНОМУ ПРОГНОЗИРОВАНИЮ ЭЛЕКТРОПОТРЕБЛЕНИЯ МАЛЫМИ СЕВЕРНЫМИ ПОСЕЛЕНИЯМИ
В СОСТАВЕ РОЭТК
В.З. Ковалев, О.В. Архипова, А.В. Шицелов, С.Ю. Швецов
Первоочередной задачей для достижения энергетической эффективности систем генерации/потребления электрической энергии малых северных поселений, является прогнозирование энергопотребления. В данной работе произведен поиск линейных корреляционных зависимостей значений энергопотребления от независимых переменных, в том числе метеофакторов. Выполнено исследование различных методов краткосрочного прогнозирования потребления электрической энергии при стандартных гипперпараметрах моделей. Произведен поиск оптимальных гипперпараметров моделей и проведена оценка качества работы с помощью метрик качества моделей.
Ключевые слова: РОЭТК, MicroGrid, краткосрочное прогнозирование электропотребления, линейная регрессия, метод опорных векторов, случайный лес, градиентный бустинг, нейронная сеть прямого распространения.
Введение. Реализуемый в настоящее время в нашей стране «переход к более эффективной энергетике» в значительной мере опирается на «оптимизацию пространственного размещения энергетической инфраструктуры Восточной Сибири,
196
на Дальнем Востоке и в Арктической зоне Российской Федерации, в том числе путем перехода к экологически чистой и ресурсосберегающей энергетике, и энергетической эффективности» [1, с. 5-6]. Важным элементом этой траектории развития энергетики в Российской Федерации «становится повышение эффективности децентрализованного энергоснабжения удаленных и изолированных территорий на основе использования возобновляемых источников энергии (ВИЭ)» [1 с. 56]. Отметим, что несмотря на всю противоречивость оценки роли и возможных путей развития возобновляемой энергетики, принятое направление вполне коррелируется с существующими тенденциями ключевых изменений в структуре энергоснабжения и других стран [2-6].
Реализация данного стратегического направления развития энергетики приводит к подзадачам идентификации и управления потоками энергии между отдельными физически разнородными компонентами генерации/потребления децентрализованного энергоснабжения [7-10]. Необходимость учета взаимного влияния физически разнородных подсистем задается требованием общей эффективности преобразования энергии [11-14]. В свою очередь это формирует комплекс требований к составу и функциональным возможностям применяемых автоматизированных, а в последнее время и интеллектуальных систем управления [15-19].
Наиболее остро вопросы развития энергетики децентрализованной зоны звучат применительно к районам Крайнего севера и Арктической зоны (КС и АЗ). Наличие энергоснабжения и качественной электроэнергии, для более чем десяти миллионов человек на 2/3 территории страны, здесь есть вопрос выживания населения, а с учетом локализованных здесь полезных ископаемых (газ, нефть, алмазы, никель), это и вопрос экономической безопасности страны [20-22].
Сложившаяся практика заселения и промышленного обустройства данной территории опирается на стратегию «северного завоза», и стратегию развития Северного морского пути [23-25]. Что требует надежного и качественного снабжения электрической энергией всех компонент социальной и промышленной инфраструктуры [26-29] путем создания регионально обособленных электротехнических комплексов (РОЭТК) [30]. Отметим, что северный завоз - это проект, который обеспечивает транспортировку, перевалку и хранение более 3 млн. тонн грузов на территории КС и АЗ [31,32].
РОЭТК, рассматриваемые в настоящей работе, построены на технологиях MicroGrid, обслуживающих энергетические потребности малых северных поселений (MicroGrid МСП).
«В изолированных системах энергоснабжения Крайнего Севера тарифы на электроэнергию достигают 22-237 руб./кВт*ч, а это до 55 раз выше средних по России». А для ряда территорий «тариф на электроэнергию достигает катастрофически высоких показателей - 600-2000 руб./кВтч» [29]. Такая ситуация объяснима следующим набором особенностей MicroGrid МСП: использованием дизельной генерации в качестве основного источника снабжения электрической энергией, сложной логистикой доставки ГСМ, нестационарным характером суточной электрической нагрузки потребителя со значительными амплитудами [34-38] (рис1).
Выходом, позволяющим снизить себестоимость производства электроэнергии для малых северных поселений, представляется построение MicroGrid МСП на принципах интеллектуального управления. Что в свою очередь требует исследования существующего аппарата краткосрочного прогнозирования электрической нагрузки [37-39].
Вычислительный эксперимент. В качестве тестового набора данных использован временной ряд потребления электрической энергии MicroGrid МСП, который включает в себя период наблюдения 92 дня (май, июль) и насчитывает 2208 наблюдения с интервалом один час.
Набор данных сформированный для машинного анализа, состоит из следующих переменных:
Переменные, имеющие интервал наблюдения раз в час:
- Месяц (т), в формате «строка»;
- День месяца (day_in_month), в формате «целое число»;
- День недели (dw), в формате «строка»;
- Время (h), в формате «строка вида 00:00:00»;
- Потребление электрической энергии (energy_cons), Вт*ч, в формате «вещественное число».
Переменные, имеющие интервал наблюдения раз в три часа:
- Температура окружающей среды (filedT), °С, в формате «вещественное число»;
- Скорость ветра (filedFf), м/с, в формате «вещественное число»;
- Температура точки росы (filedTd), °С, в формате «вещественное число».
Целевой переменной при решении задачи прогнозирования потребления электрической энергии и мощности выбрано - потребление электрической энергии (energy cons), данные которой представлены на рис. 1.
Энергопотребление (energy_cons), Вт*ч
7000,0 6000.0
'У -у 'а гу у
% %, % \ % J'r. JJ,. ''г. Чг . >. '■>.
, <% % % %
„ \ \ ** **
Рис. 1. График распределения целевой переменной — потребление электрической энергии (епе^у_еот)
Для корректной работы моделей проведена подготовка данных: заполнение пропусков и преобразование категориальных переменных. Данные о температуре окружающей среды и температуре точки росы интерполированы полиномом третьей степени, а данные о скорости ветра, в виду стохастического характера распределения значений, интерполированы линейно. В свою очередь, категориальные данные о месяце, дне недели и времени преобразованы в числовые значения.
Для выявления зависимости между целевой и независимыми переменными была использована корреляция Пирсона, которая дает оценку линейной взаимосвязи между двумя случайными величинами. Матрица корреляции попарно между всеми переменными представлена на рис. 2.
dayJn_niQo1h
lledFf -0.17
-0 0 73 0 79 -0.17 0.02
-0 02 02 -о.оэ -0.13
-0 -о.оэ 41.01 aoi -0.06
1 027 003 017 038
027 1 0В5 aoi 023
003 0В5 1 -0.14 016
Q17 001 -0.14 1 0 1
азе 023 016 0 1 1
f
\
m cfey_in_ month
lledT lledTd
lledFf energy_cc
Рис. 2. Матрица линейной корреляции переменных
198
Согласно данной матрицы были получены следующие результаты для каждой из независимых переменных по отношению к целевой:
- Час - 0,38;
- День в месяце - -0,13;
- Температура окружающей среды - 0,23;
- Температура точки росы - 0,16;
- Скорость ветра - 0,1.
Корреляционная связь с остальными независимыми переменными близка к нулевому значению.
Для нахождения нелинейной зависимости между независимыми и целевой переменной были использованы следующие модели машинного обучения:
- Линейная регрессия;
- Метод опорных векторов;
- Случайный лес;
- Градиентный бустинг;
- Нейронная сеть прямого распространения с архитектурой: входной слой с 17 входными нейронами (признаками), выходной слой с 1 выходным нейроном,
скрытых слоев нет, функция активация ReLu.
6. Автоматическое построение нейронной сети (AutoML).
Реализация моделей была взята из библиотеки scikit-learn из языка программирования Python. Реализация нейронной сети и автоматического построения нейронной сети сделана на базе библиотеки Keras. Реализация градиентного бустинга из библиотеки xgboost.
В качестве показателей для оценки качества обучения моделей машинного обучения были использованы следующие оценки:
- R-2 - коэффициент детерминации;
- MAE - средняя абсолютная ошибка;
- MSE - средний квадрат ошибки;
- RMSE - корень от MSE;
- MAPE - средняя абсолютная ошибка в процентах.
Стоит заметить, что данные показатели для оценки качества обучения не учитывают погрешность измерительного прибора.
Реализация данных оценок так же взята из библиотеки scikit-learn.
Исследование проводилось в 2 этапа. В ходе первого этапа были использованы модели со стандартными настройками гиперпараметров. В ходе которого была получена табл. 1 на которой представлены оценки качества обучения моделей без настройки гипперпараметров:
Таблица 1
Оценка качества обучения моделей без настройки гиперпараметров__
Название модели R2 MAE MSE RMSE MAPE
Линейная регрессия -0,41 727,68 637963,44 798,73 33,16
Метод опорных векторов -0,74 819,7 790954,85 889,36 38,8
Случайный лес 0,05 493,95 432629,84 657,75 21,04
Градиентный бустинг 0,31 435,74 314910,16 561,17 18,44
Нейронная сеть прямого распространения -0,41 719,72 642,77 399,25 32,29
В ходе второго этапа исследования для использованных ранее моделей были найдены оптимальные комбинации гиперпараметров.
199
Процесс нахождения оптимальных комбинаций заключался в использовании подхода основанными на последовательном переборе всех возможных вариантов гиперпараметров с последующей оценкой результатов обучения модели для каждой их комбинации.
В ходе этого процесса были получены модели с комбинациями гиперпараметров дающие лучшую оценку качества обучения. Данные оценки качества представлены в табл. 2.
Оценка качества обучения моделей с оптимальными
Таблица 2
Название модели R2 MAE MSE RMSE MAPE
Метод опорных векторов №1 -0,94 879,12 881731,38 939,01 41,55
Метод опорных векторов №2 -0,43 662,77 647965,59 804,96 28,81
Случайный лес 0,26 461,13 334013,38 577,94 19,33
Градиентный бустинг 0,32 435,83 308575,51 555,5 18,17
Нейронная сеть прямого распространения 0,06 557,8 428402,01 250,65 25,01
АийзМЬ 0,1 528,17 407916,75 239,33 22,95
Для лучших моделей были подобраны следующие комбинации гиперпараметров:
Случайный лес:
- Максимальная ширина дерева - без ограничений;
- Количество деревьев - 200;
- Минимальное количество примеров для разделения - 2;
- Минимальное количество примеров на одном листе - 1.
Градиентный бустинг:
- Шаг обучения - 0,1;
- Максимальная ширина дерева - 5;
- Количество деревьев - 100;
- Доля столбцов в под выборке по отношения к общему количеству признаков
- 0,5;
- Минимальное требуемое уменьшение ошибки для разделения - 1,0;
- Доля обучающей выборки, попадающая в работу дерева - 0,7;
- L1 регуляризация- 0;
- L2 регуляризация - 0.
AutoML:
- На входном слое 17 признаков;
- 5 скрытых полносвязных слоев, 77 нейронов на каждом слое, функция активации ReLu;
- На выходном слое 1 нейрон, функция активации Tanh;
- Оптимизатор ADAM;
- Функция потерь MSE.
Выводы. По результатам проведенного исследования можно сделать следующие выводы.
Относительно моделей со стандартными гипперпараметрами:
Базовая модель линейной регрессии показала ошибку в 33,16%. Лучшей моделью выбрана модель градиентного бустинга с ошибкой 18,44%. Модель с худшим прогнозом, основанная на методе опорных векторов, с ошибкой в прогнозе 38,8%, что в свою очередь значительно хуже, чем показатель базовой модели.
Относительно моделей с оптимизированными гипперпараметрами:
Лучшей моделью среди оптимизированных также оказался градиентный бустинг с ошибкой в 17,3%. Также хорошие результаты показала модель деревьев решений - 19,33%.
Оценивая результаты исследования можно говорить о возможности прогнозирования потребления электрической энергии с использованием методов машинного обучения применительно к нестационарным временным рядам со значительными флуктуациями. Однако для достижения наилучших результатов необходимо тщательно подбирать гиперпараметры модели и проводить анализ данных для выбора наиболее подходящих признаков. Также требуется увеличить количество обучающей выборки. Увеличение числа обучающей выборки может привести к улучшению качества модели машинного обучения. Большая обучающая выборка может помочь модели обнаружить более сложные закономерности в данных и уменьшить ошибку прогнозирования на новых данных, а также позволит прогнозировать значения электропотребления в различные времена года.
Исследование выполнено в рамках государственного задания Министерства науки и высшего образования Российской Федерации (тема № FENG-2023-0001 Пре-диктивное управление потоками энергии электрогенерирующих комплексов Арктики и Крайнего Севера, при стохастических характерах потребления и генерации электрической энергии: теория, синтез, эксперимент)
Список литературы
1. Энергетическая стратегия Российской Федерации на период до 2035 года // Министерство энергетики РФ - официальный сайт. [Электронный ресурс] URL: http://minenergo.gov.ru (дата обращения: 11.07.2022).
2. Siamanta Z.C. Conceptualizing alternatives to contemporary renewable energy development: Community Renewable Energy Ecologies (CREE) // Journal of Political Ecology. 2021. Vol. 28. No 1. P. 47-69.
3. Wang J., Zhang S., Zhang Q. The relationship of renewable energy consumption to financial development and economic growth in China // Renewable Energy. 2021. Vol. 170. P. 897-904.
4. Ansari M.A., Haider S., Masood T. Do renewable energy and globalization enhance ecological footprint: an analysis of top renewable energy countries? // Environmental Science and Pollution Research. 2021. Vol. 28. No 6. P. 6719-6732.
5. Androniceanu A.M., Georgescu I., Dobrin C., Dragulanescu I.V. Multifactorial components analysis of the renewable energy sector in the oecd countries and managerial implications // Polish Journal of Management Studies. 2020. Vol. 22. No 2. P. 36-49.
6. Ali A., Audi M., Roussel Y. Natural resources depletion, renewable energy consumption and environmental degradation: A comparative analysis of developed and developing world // International Journal of Energy Economics and Policy. 2021. Vol. 11. No 3. P. 251-260.
7. Alola A.A., Alola U.V., Akadiri S.S. Renewable energy consumption in Coastline Mediterranean Countries: impact of environmental degradation and housing policy // Environmental Science and Pollution Research. 2019. Vol. 26. No 25. P. 25789-25801.
8. Oanh T.T.K., Quoc N.T., Dieu P.T.N. Renewable energy, foreign direct investment, economic growth, and environmental degradation in asian countries // International Journal of Energy, Environment and Economics. 2021. Vol. 28. No 2. P. 87-102.
9. Tomin N., Shakirov V., Kozlov A., Sidorov D., Kurbatsky V., Rehtanz C., Lora E.E.S. Design and optimal energy management of community microgrids with flexible renewable energy sources // Renewable Energy. 2022. Vol. 183. P. 903-921.
10. Горшенин А.Ю. Прогнозирование выработки электроэнергии ветроэлек-тростанцией с применением рекуррентной нейронной сети / А. Ю. Горшенин, Л.А. Денисова // Известия Тульского государственного университета. Технические науки. 2023. Вып. 4. С. 39-45. DOI 10.24412/2071-6168-2023-4-39-45. EDN ZDOIGJ.
201
11. Zhao H., Li B., Wang X., Li H., Guo S., Xue W., Lu H., Wang Y. Economy-environment-energy performance evaluation of CCHP microgrid system: A hybrid multi-criteria decision-making method // Energy. 2022. Vol. 240. P. 122830.
12. Bertheau P., Hoffmann M.M., Eras-Almeida A., Blechinger P. Assessment of Microgrid Potential in Southeast Asia Based on the Application of Geospatial and Microgrid Simulation and Planning Tools // Green Energy and Technology. 2020. P. 149-178.
13. Marchand S., Ungerland J., Monsalve C., Ruhe S., Reimann T., Heckmann W., Lauer H., KrauB C. Microgrid systems: Towards a technical performance assessment frame // Energies. 2021. Vol. 14. No 8. 2161.
14. Mobasseri A., Ghadimi A.A., Tostado-Veliz M., Jurado F., Reza Miveh M. Multi-energy microgrid optimal operation with integrated power to gas technology considering uncertainties // Journal of Cleaner Production. 2022. Vol. 333. P. 130174.
15. Hemmati R., Mehrjerdi H., Nosratabadi S.M. Resilience-oriented adaptable microgrid formation in integrated electricity-gas system with deployment of multiple energy hubs // Sustainable Cities and Society. 2021. Vol. 71. P. 102946.
16. Wenzhi S., Zhang H., Xinyang L., Tseng M.-L., Weipeng Z. Hierarchical energy optimization management of active distribution network with multi-microgrid system // Journal of Industrial and Production Engineering. 2021.
17. Zhou B., Zou J., Xu D., Chung C.Y., Wang H., Liu N., Voropai N. Multi-microgrid Energy Management Systems: Architecture, Communication, and Scheduling Strategies // Journal of Modern Power Systems and Clean Energy. - 2021. - Vol. 9. - No 3. -P. 463-476.
18. Abid S., Javaid N., Alghamdi T.A., Haseeb A., Wadud Z., Ahmed A. An economical energy management strategy for viable microgrid modes // Electronics (Switzerland). 2019. Vol. 8. No 12. P. 1442.
19. Zhu J., Zhuo Y., Chen J., Guo Y., Mo X., Liu M. An expected-cost realization-probability optimization approach for the dynamic energy management of microgrid // International Journal of Electrical Power & Energy Systems. -2022. -Vol. 136. -P. 107620.
20. Постановление Правительства РФ от 16.11.2021 N 1946 "Об утверждении перечня районов Крайнего Севера и местностей, приравненных к районам Крайнего Севера. [Электронный ресурс] URL: http://www.consultant.ru/law/hotdocs/71874.html/?ysclid=la4ww4m4l0735472096 (дата обращения: 11.06.2022).
21. Арктическая зона Российской Федерации (АЗРФ) - Техническая Библиотека. [Электронный ресурс] URL: http://Neftegaz.RU (дата обращения: 11.06.2022).
22. Экономические и социальные показатели районов Крайнего Севера и приравненных к ним местностей в 2000-2021 годах. [Электронный ресурс] URL: https://rosstat.gov.ru/compendium/document/13279 (дата обращения: 13.02.2023).
23. Стратегия пространственного развития Российской Федерации на период до 2025 года (с изменениями на 16 декабря 2021 года). [Электронный ресурс] URL: https://docs.cntd.ru/document/552378463?marker=6560I0 (дата обращения: 11.06.2022).
24. Федеральный закон "О государственной поддержке предпринимательской деятельности в Арктической зоне Российской Федерации" от 13.07.2020 N 193-ФЗ. [Электронный ресурс] URL: http://www.consultant.ru/document/cons_doc_LAW_357078 (дата обращения: 11.06.2022).
25. Распоряжение Правительства РФ от 1 августа 2022 г. N 2115-р Об утверждении плана развития Северного морского пути на период до 2035 г. [Электронный ресурс] URL: https://www.garant.ru/products/ipo/prime/doc/405010751/?ysclid=le33j7vgk194804839 (дата обращения: 13.02.2023).
26. Стратегия развития Арктической зоны России и обеспечения национальной безопасности до 2035 года. [Электронный ресурс] URL: https://www.arctic2035.ru (дата обращения: 11.06.2022.)
27. Моргунова М.О., Соловьев Д.А. Энергоснабжение Российской Арктики: углеводороды или ВИЭ? // Энергетическая политика. 2016. № 5. С. 44-51.
28. Киушкина В.Р. Оптимизация локальной энергетики децентрализованных территорий северных регионов через укрепление позиций энергетической безопасности (на примере Республики Саха (Якутия) // Интернет-журнал Науковедение. 2017. Т. 9. № 6. 101 с.
29. О государственной программе Республики Саха (Якутия) "Обеспечение безопасности жизнедеятельности населения Республики Саха (Якутия) на 2020-2024 годы" от 06 ноября 2019. [Электронный ресурс] URL: http://docs.cntd.ru (дата обращения: 09.02.2023).
30. Архипова О.В. Принципы и средства исследования регионально обособленного электротехнического комплекса с позиций системного анализа / О. В. Архипо-ва // Омский научный вестник. 2020. № 3(171). С. 42-46. DOI 10.25206/1813-8225-2020171-42-46.
31. Проект Федерального закона "О северном завозе" (подготовлен Минвосто-кразвития России 21.08.2022). [Электронный ресурс] URL: https://garant.ru (дата обращения: 09.02.2023).
32. Рывкина М.В. Социально-экономический прогноз районов Крайнего Севера и приравненных к ним местностей // Международный научно-исследовательский журнал. 2022. № 7-3(121). С. 194-197. DOI 10.23670/IRJ.2022.121.7.115.
33. Соколов Ю.И. Риски северного завоза // Проблемы анализа риска. 2019. Т. 16. № 4. С. 32-47. DOI: 10.32686/1812-5220-2019-16-4-32-47.
34. Arkhipova O.V., Dyuba E.A., Evstegneeva Y.D., Kovalev V.Z., Paramzin A.O., Petuhova O.A. Analysis of the load curve in the isolated areas of power supply abstract. Engineering Journal of Don, 2019, no 8(59). P. 23.
35. Модель регионально обособленного электротехнического комплекса с учетом графиков электрической нагрузки потребителей / Р.Н. Хамитов, В.З. Ковалев, О.В. Архипова, С.С. Есин // Международный журнал прикладных и фундаментальных исследований. 2018. № 12-2. С. 200-204.
36. Rani M.D., Rao M.V.G., Prakash P.S. Power Quality Assessment in Grid Connected Mode Hybrid Microgrid with Various Loads // Journal of Theoretical and Applied Information Technology. 2021. Vol. 99. No 18. P. 4241-4252.
37. Адаптивное краткосрочное прогнозирование потребления электроэнергии автономными энергосистемами малых северных поселений на основе методов корреляционного анализа / Ю.Н. Исаев, О.В. Архипова, В.З. Ковалев, Р.Н. Хамитов // Известия Томского политехнического университета. Инжиниринг георесурсов. 2023. Т. 334, № 2. С. 224-239. DOI 10.18799/24131830/2023/2/4076.
38. Адаптивное краткосрочное прогнозирование потребления электроэнергии автономными энергосистемами малых северных поселений на основе методов ретроспективного регрессионного анализа / А.С. Глазырин, Е.В. Боловин, О.В. Архипова [и др.] // Известия Томского политехнического университета. Инжиниринг георесурсов. -2023. Т. 334, № 4. С. 231-248. DOI: 10.18799/24131830/2023/4/4213.
39. Методика формирования обучающей выборки в задачах краткосрочного прогнозирования электропотребления гарантирующего поставщика / С.О. Хомутов, Р.Н. Хамитов, А.С. Грицай, Н.А. Серебряков // Известия Тульского государственного университета. Технические науки. 2021. Вып. 2. С. 227-233.
Ковалев Владимир Захарович, д-р техн. наук, профессор, v_kovalev@ugrasu.ru, Россия, Ханты-Мансийск, Югорский государственный университет,
Архипова Ольга Владимировна, старший преподователь, o_arkhipova@ugrasu.ru, Россия, Ханты-Мансийск, Югорский государственный университет,
Шицелов Анатолий Вячеславович, старший преподователь, a_shicelov@ugrasu.ru, Россия, Ханты-Мансийск, Югорский государственный университет,
Швецов Сергей Юрьевич, аспирант, shvetcovsy@yandex.ru, Россия, Ханты-Мансийск, Югорский государственный университет
RESEARCH OF APPROACHES TO SHORT-TERM FORECASTING OF ELECTRICITY CONSUMPTION BY SMALL NORTHERN SETTLEMENTS AS PART OF THE ROETC
V.Z. Kovalev, O.V. Arkhipova, A.V. Shicelov, S.Yu. Shvecov
The primary task for achieving the energy efficiency of electric power generation/consumption systems of small northern settlements is the forecasting of energy consumption. In this paper, a search is made for linear correlation dependences of energy consumption values on independent variables, including meteorological factors. The study of various methods of short-term forecasting of electric energy consumption with standard hyperparameters of models is carried out. The search for optimal hyperparameters of models was carried out and the quality of work was assessed using model quality metrics.
Key words: ROETC, MicroGrid, short-term forecasting ofpower consumption, linear regression, support vector machine, random forest, gradient boosting, feedforward neural network.
Kovalev Vladimir Zaharovich, doctor of technical science, professor, v_kovalev@ugrasu.ru, Russia, Khanty-Mansiysk, Ugra State University,
Arkhipova Olga Vladimirovna, senior lecturer, o_arkhipova@ugrasu.ru, Russia, Khanty-Mansiysk, Ugra State University,
Shicelov Anatoliy Vyacheslavovich, senior lecturer, a_shicelov@ugrasu.ru, Russia, Khanty-Mansiysk, Ugra State University,
Shvecov Sergey Yurievich, postgraduate, shvetcovsy@yandex. ru, Russia, Khanty-Mansiysk, Ugra State University
