CC BY
3
�кции потерь для каждой выборки 1 в отношении текущего модельного прогноза:
_ дЬ(уг,Р (хг)) (2)
"" д F (хг) •
1.3. Метод ансамбля градиентного бустинга деревьев решений XGBoost
XGBoost (Extreme Gradient Boosting) является улучшенным алгоритмом машинного обучения, который относится к семейству gradient boosting. XGBoost использует специально разработанную структуру и алгоритм повышения производительности, что определяет его эффективным с точки зрения вычислений. Метод имеет встроенный механизм для обработки пропущенных значений во время обучения. Алгоритм включает в себя методы регуляризации L1 и L2, контролирующие сложность модели для предотвращения переобучения. XGBoost позволяет определять свои собственные целевые функции и критерии оценки.
T. Chen в работе «XGBoost: A Scalable Tree Boosting System» проводит практическое исследование и приходит к заключению о том, что XGBoost - один из методов, который используется во многих сферах деятельности. Бустинг даёт самые современные результаты по многим стандартным критериям классификации. Инновации метода включают в себя: новый алгоритм древовидного обучения, предназначенный для обработки разреженных данных; теоретически обоснованную процедуру
создания эскиза взвешенных квантилей, которая позволяет обрабатывать веса экземпляров в приближенном древовидном обучении [10].
Надёжность ХвБоо81 можно обосновать его эффективностью и способностью обрабатывать большие наборы данных, что применимо в различных сферах машинного обучения, включая задачи регрессии, классификации и ранжирования:
п К
/(*) = ^Ь(уг,уг) + ^ ПЦк), (3)
i=1 К=1
где f (х) - целевая функция, которая сводится к минимуму; Ь(у,1,у,1) - функция потерь, измеряющая погрешность между фактическими ^ и прогнозируемыми значениями ) - член регуляризации, который определяет сложность отдельных деревьев, добавляя штраф за регуляризацию к весам дерева.
Модель прогнозирования методом ХвБоо81 имеет следующий вид:
/ (X) = £к=1 ¡к Ы). (4)
На каждой итерации новые деревья подгоняются к отрицательному градиенту функции потерь:
Ггк=- , (5)
%
где Ггк - отрицательный градиент функции потерь по отношению к текущему прогнозу.
1.4. Метод прогнозирования на основе искусственной нейронной сети
Метод прогнозирования с использованием искусственной нейронной сети, особенно в последовательной модели, предполагает использование архитектуры глубокого обучения, предназначенной для обработки последовательных данных, таких как временные ряды, текстовые данные или любые данные с определённым порядком или последовательностью.
В работе авторов А.Н. Попова, А.Д. Венгерского «Разработка модели машинного обучения для прогнозирования генерации электроэнергии солнечными панелями на основе алгоритма градиентного бустинга» акцентируется внимание на том, что для предсказания солнечной радиации можно построить модель машинного обучения, но при этом подавляющее число используемых алгоритмов - нейронные сети [11].
В исследовании приводится архитектура ИНС, которая состоит из трёх слоев. Первый слой входной, он имеет 32 нейрона, на вход принимает 6 входных векторов; второй скрытый слой имеет 64 нейрона с функцией активации ReLU; третий - один выходной нейрон с линейной функцией активации. Оптимизатор для модели Adam, итераций обучения - 100, функцией потерь для задачи регрессии является среднеквадратичная ошибка (MSE) [12].
Процесс обучения включает в себя подачу последовательных данных в модель и обновление весов модели, чтобы минимизировать определённую функцию потерь. Нейронная сеть прямого действия (представленная в исследовании) выражается следующим образом:
1. Для одного нейрона (персептрона): Ввод: х1,х2,... ,хп Вес: ш1,ш2,... ,шп Смещение: Ь
0, если г < 0
Функция активации а(г) = < , таким образом а (г) =
\г, если г ^ 0
= тах(0, г), т. е. если значение г больше или равно нулю, функция вернёт значение г, иначе она вернёт ноль. Это делает функцию ЯеЬи простой и эффективной, она широко используется в нейронных сетях, поскольку обеспечивает быструю обучаемость и хорошую способность преодолевать проблему затухания градиента.
г = + ш2Х2 + ■ ■ ■ + шпхп + Ь; (6)
2. Распространение через скрытый слой:
Для скрытого слоя с несколькими нейронами входные данные взвешиваются, суммируются и передаются через функцию активации:
^ = Хг + Ьу (7)
для каждого нейрона в слое, у^ = а() для каждого нейрона, где представляет собой взвешенную сумму плюс смещение для ]-го нейрона, и а() является выходным сигналом после прохождения функции активации для этого нейрона.
3. Распространение по последовательной модели:
В последовательной нейронной сети информация передаётся с помощью временных шагов. На временном шаге Ь входные данные XI объединяются с предыдущим скрытым состоянием Ь^ и проходят через нейрон(ы).
Ь— = + + Ьн), (8)
где тьх и - веса из входных данных и предыдущего скрытого состояния;
- это смещение; Ь - вывод или скрытое состояние в момент времени ¿, которое передаётся на следующий временной шаг.
2. Проведение исследования
Набор данных представлен в виде таблицы и содержит следующие значения с наименованиями:
Date, time - информация о временном промежутке, начиная с 15.05.2020 и заканчивая 18.06.2020, в виде 2020.05.15 00:00 (дд.мм.гггг чч:мм). Интервал времени - каждые 15 минут;
Pdc - значение выработки постоянного тока, выраженное в кВт*ч ;
Рас - значение выработки переменного тока, выраженное в кВт*ч;
Та - температурное значение на солнечной станции, измеряемое в С0;
Тм - значение показания модуля температуры, измеряемое в С0;
Ir - электромагнитное и корпускулярное излучение Солнца, его количество за 15-минутный интервал времени, выраженный в кВт-ч/м2;
Н - время, час;
D - день;
Dw - день недели;
М15 - 15-минутный отрезок времени в месяце.
Набор данных о выработке электроэнергии собирается на уровне инвертора - к каждому инвертору подключено несколько линий солнечных панелей. Данные датчиков собираются на уровне предприятия - единый массив датчиков оптимально размещён на предприятии (табл. 1) [13].
Таблица 1. Данные о выработке электроэнергии
Date, time Pdc Рас ТА Тм Ir Н D Dw М15
15.05.2020 00:00 0 0 25,2 22,9 0 0 1 4 1
15.05.2020 00:15 0 0 25,1 22,8 0 0 1 4 2
15.05.2020 00:30 0 0 24,9 22,6 0 0 1 4 3
29.05.2020 09:00 6317.0 618,7 24,4 40,1 0,5 9 15 4 37
29.05.2020 09:15 8053.6 788,2 25,4 47,3 0,7 9 15 4 38
16.06.2020 23:15 0 0 22,9 21,3 0 23 33 1 94
16.06.2020 23:30 0 0 22,9 21,2 0 23 33 1 95
16.06.2020 23:45 0 0 22,892 21,2 0 23 33 1 96
На рис. 1 представлена корреляционная матрица зависимостей параметров набора данных, представленных в таблице.
Рис. 1. Корреляционная матрица параметров набора данных
Корреляционная матрица представлена в виде графика, в котором коэффициент корреляции между всеми парами переменных отображается 5 уровнями коэффициента корреляции. Показано, насколько сильно и в каком направлении (положительном или отрицательном) связаны между собой переменные. Значения коэффициента корреляции варьируются от 1 до 0 (взятые по модулю), где 1 означает идеальную положительную, а 0 - отсутствие корреляции. На графике корреляционной матрицы видно, какие параметры имеют сильную корреляцию между собой (близкие к 1), какие - слабую (близкие к 0). Например, температура модуля и температура окружающей среды, уровень солнечного излучения имеют положительную корреляцию.
Проведено краткосрочное прогнозирование выработки мощности переменного (рис. 2) и постоянного тока (рис. 3) на сутки вперёд с использованием методов Са1Воо81;, ХОВоо81;, ИНС и линейной регрессии.
На рис. 2(а-г) отображены результаты прогнозирования мощности переменного тока солнечными панелями. Прогнозы выработки электроэнергии переменным током солнечными панелями с использованием различных методов были оценены на основе предоставленных параметров. Результаты показали различную прогностическую эффективность различных методов, Са1Воо81 (рис. 2а) и ХвВоо81 (рис. 2б) доказали относительно высокие прогностические способности, продемонстрировав многообещающую точность прогнозирования выходной мощности переменного тока. С другой стороны, метод линейной регрессии (рис. 2г) продемонстрировал наи-
Мощность переменного тока (кВт*ч) М СТ1 со о м -р. о о о о о о о оооооооо — Фактические значения - Прогноз мощности CatBoost
06-17 00 06-17 03 06-17 06 06-17 09 06-17 12 Время, час 06-17 15 06-17 18 06-17 21 06-18 00 а)
Мощность переменного тока (кВт*ч) М <т> оэ о м -Р* о о о о о о о оооооооо - Фактические значения - Прогноз мощности ХСВооэ!
06-17 00 06-17 03 06-17 06 06-17 09 06-17 12 Время, час 06-17 15 06-17 18 06-17 21 06-18 00 б)
Мощность переменного тока (кВт*ч) М СП со О М -Р* О О О о о о о оооооооо — Фактические значения - Прогноз мощности ИНС
06-17 00 06-17 03 06-17 06 06-17 09 06-17 12 Время, час 06-17 15 06-17 18 06-17 21 06-18 00 в)
Мощность переменного тока (кВт*ч) м <п со о м -Р* о о о о о о о оооооооо — Фактические значения - Прогноз мощности Линейной регрессией / \
06-17 00 06-17 03 06-17 06 06-17 09 06-17 12 Время, час 06-17 15 06-17 18 06-17 21 06-18 00 г)
Рис. 2. Прогнозирование выработки мощности переменного тока методами: Са1Боо81 (а);
ХОБос^ (б); ИНС (в); линейной регрессии (г)
меньшую прогностическую способность среди представленных методов. Несмотря на свою простоту, он показал меньшую точность при отображении сложных взаимосвязей между входными параметрами и выходной мощностью переменного тока На рис. 3(а-г) изображены графики прогноза выработки постоянного тока солнечными панелями. Так же, как и при прогнозировании выработки переменного тока, хуже себя проявил метод линейной регрессии (рис. 3г), а метод искусственных нейронных сетей (рис. 3в) занизил показатели во все пиковые временные периоды.
Проанализировав графики, можно утверждать, что методы Са1Боо81 (рис. 3а) и ХОБоо81 (рис. 3б) качественно прогнозируют оба показателя выработки мощностей и выдают приблизительно одинаково точные результаты.
Для оценивания качества эффективности представленных методов краткосрочного прогнозирования применялась метрика МАРЕ, которая характеризует отклонение в процентах от фактических значений (табл. 2).
Мощность постоянного тока (кВт*ч) М СТ1 СО О N1 -Р* о о о о о о о о о о о о о о оооооооо - Фактические значения — Прогноз мощности CatBoost
06-17 00 06-17 03 06-17 06 06-17 09 06-17 12 06-17 15 06-17 18 06-17 21 06-18 00 а)
Мощность постоянного тока (кВт*ч) М СТ1 СО О N1 -Р» о о о о о о о о о о о о о о оооооооо - Фактические значения - Прогноз мощности ХСВооэ!
06-17 00 06-17 03 06-17 06 06-17 09 06-17 12 Время, час 06-17 15 06-17 18 06-17 21 06-18 00 б)
Мощность постоянного тока (кВт*ч) М СТ1 СО о N1 -Р» о о о о о о о о о о о о о о оооооооо - Фактические значения — Прогноз мощности ИНС
06-17 00 06-17 03 06-17 06 06-17 09 06-17 12 Время, час 06-17 15 06-17 18 06-17 21 06-18 00 в)
Мощность постоянного тока (кВт*ч) М СТ1 СО о N1 -Р» о о о о о о о о о о о о о о оооооооо - Фактические значения — Прогноз мощности Линейной регрессией N
06-17 00 06-17 03 06-17 06 06-17 09 06-17 12 Время, час 06-17 15 06-17 18 06-17 21 06-18 00 г)
Рис. 3. Прогнозирование выработки мощности постоянного тока методами: Са1Воо81 (а);
ХОВоо81 (б); ИНС (в); линейной регрессии (г)
В табл. 2 отображены средние значения абсолютной процентной ошибки (МАРЕ) для прогнозирования мощности переменного тока (Рас) и мощности постоянного тока (Рос).
При прогнозировании мощности Рас ХвВоо81 демонстрирует низкие значения МАРЕ = 2,44 %, что указывает на высокий уровень точности прогнозирования мощности переменного тока. Са1Воо81 показывает чуть более высокий показатель МАРЕ = 3,33 % (соответствует требуемой точности). Метод на основе ИНС демонстрирует более высокий показатель МАРЕ = 7,09 %, линейная регрессия имеет значение ошибки - 14,01 %, что демонстрируют графики прогнозов (см. рис. 2 и 3).
При прогнозировании мощности Р^с аналогичным образом, ХвВоо81 обеспечивает низкий показатель МАРЕ = 2,22 % для прогнозирования мощности постоянного тока, что подчёркивает его сильную прогностическую способность. Са1Воо81 имеет МАРЕ = 4,04 %, что также соответствует требуемой точности. Для метода на основе ИНС МАРЕ = 8,09 %, также наблюдалось при прогнозировании мощности переменного тока, линейная регрессия показывает самый высокий показатель МАРЕ = 13,46 %, что указывает на меньшую точность прогнозирования мощности
Таблица 2. Ошибка прогнозирования мощности переменного и постоянного тока
Значение метрики MAPE, %
При прогнози ровании Рас При прогнози ровании Рос
XGBoost CatBoost ИНС Линейная регрессия XGBoost CatBoost ИНС Линейная регрессия
2,44% 3,33% 7,09% 14,01% 2,22% 4,04% 8,09% 13,46%
постоянного тока, по сравнению с другими методами.
3. Выводы
Таким образом, рассмотрено растущее значение солнечной энергии в устойчивом производстве энергии и необходимость точного прогнозирования её выработки. В исследовании описаны различные методологии машинного обучения, включая линейную регрессию, CatBoost, XGBoost и искусственные нейронные сети, указывается их роль в повышении точности и надёжности прогнозов солнечной энергии.
По результатам установлено, что метод линейной регрессии неэффективен при прогнозировании солнечной энергии из-за сложностей установления взаимосвязей между входными данными и выходными.
Методы CatBoost и XGBoost, использующие деревья решений, продемонстрировали перспективные возможности прогнозирования. Они эффективно использовали сложность данных, что привело к высокой точности прогнозирования выходной мощности переменного тока, превосходящей традиционные методы. Искусственные нейронные сети, разработанные для обработки последовательных данных, продемонстрировали высокую точность в прогнозировании солнечной энергии. Однако расхождения в прогнозировании периодов пикового времени указывают на необходимость дальнейшего уточнения гиперпараметров модели.
Литература
1. Глебов В.В., Братышев С.Н., Верига А.В. Краткосрочное прогнозирование выработки электроэнергии сетевой солнечной электростанции методом рекуррентных нейронных сетей // Цифровые технологии и защита информации в современном обществе : сборник докладов Международной научно-практической конференции (Астрахань, 29-30 ноября 2021 г.). Астрахань : Астраханский государственный университет, 2021. С. 4-9.
2. Горшенин А.Ю. Формирование выборки исходных данных для машинного обучения модели краткосрочного прогнозирования электропотребления // Автоматизация в промышленности. 2023. № 10. С. 37-41. DOI: 10.25728/avtprom.2023.10.08.
3. Эвок Д.А., Дьячков Я.А., Микулицкий М.В. Прогнозирование температур поверхности солнечных панелей по стандартам NOCT и NMOT // Энерго- и ресурсосбережение в теплоэнергетике и социальной сфере : материалы Международной научно-технической конференции студентов, аспирантов, учёных. Челябинск : Изд-во ЮУрГУ, 2023. С. 7679.
4. Горшенин А.Ю., Денисова Л.А. Прогнозирование выработки электроэнергии ветро-электростанцией с применением рекуррентной нейронной сети // Известия Тульского государственного университета. Технические науки. 2023. № 4. С. 39-45. DOI: 10.24412/2071-6168-2023-4-39-45.
5. Тюньков Д.А., Сапилова А.А., Грицай А.С., Алексеенко Д.А., Хамитов Р.Н. Методы краткосрочного прогнозирования выработки электрической энергии солнечными электростанциями и их классификация // Электротехнические системы и комплексы. 2020. № 3 (48). С. 4-10. DOI: 10.18503/2311-8318-2020-3(48)-4-10.
6. Горшенин А.Ю., Васина Д.И. Сравнение используемых методов при прогнозировании выработки электроэнергии ветроэлектростанциями // Математические структуры и моделирование. 2023. № 3 (67). С. 36-42. DOI: 10.24147/2222-8772.2023.3.36-42.
7. Корнеев В.П., Хрисанфова К.С. Применение полиномиальных признаков в задачах линейной регрессии // Тенденции развития науки и образования. 2023. № 94-5. С. 154-156. DOI: 10.18411/trnio-02-2023-275.
8. Бойко Т.А. Разработка алгоритма построения модели множественной линейной регрессии // Экономика и управление: проблемы, решения. 2018. Т. 8, № 12. С. 113-119.
9. 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. Инжиниринг георесурсов. 2022. Т. 333, № 7. С. 115-125. DOI: 10.18799/24131830/2022/7/3527.
10. Chen T., Guestrin C. XGBoost: A Scalable Tree Boosting System // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining - KDD'16. 2016. P. 785-794. DOI: 10.1145/2939672.2939785.
11. Попов А.Н., Венгерский А.Д. Разработка модели машинного обучения для прогнозирования генерации электроэнергии солнечными панелями на основе алгоритма градиентного бустинга // Интеллектуальная энергетика : сборник научных статей кафедры «Электроснабжение промышленных предприятий» АлтГТУ им. И.И. Ползунова / сост.: С.О. Хомутов, В.И. Сташко. Барнаул : Межрегиональный центр электронных образовательных ресурсов, 2021. С. 101-103.
12. Саетова Л.Г., Горохов М.М. Нейронная сеть и регрессия: описание линейной регрессии в нейронных сетях // Информационные технологии в науке, промышленности и образовании : сборник трудов научно-технической конференции в рамках Всероссийского молодёжного научного форума «Общение студентов и аспирантов в научной и профессиональной сферах» (Ижевск, 26 мая 2021 г.). Ижевск : Ижевский государственный технический университет им. М.Т. Калашникова, 2021. С. 15-21.
13. Васина Д.И. Описание программы для проведения анализа выработки мощности постоянного и переменного токов солнечной электростанции // Актуальные вопросы энергетики : материалы Всероссийской научно-практической конференции с международным участием (Омск, 25-26 мая 2023 г.) / редколлегия: П.А. Батраков (отв. ред.) [и др.]. Омск : Омский государственный технический университет, 2023. С. 133-137.
REVIEW AND APPROBATION OF MACHINE LEARNING METHODS FOR SHORT-TERM FORECASTING
D.I. Vasina
Master's Degree Student, e-mail: bacina94@mail.ru Omsk State Technical University, Omsk, Russia
Abstract. The article defines the growing importance of solar energy in sustainable energy production. Traditional forecasting models had difficulty coping with complex nonlinear patterns, but the advent of machine learning methods has significantly increased accuracy and reliability in this area. The article discusses various machine learning techniques used to predict solar energy: linear regression, CatBoost. XGBoost, artificial neural networks. The paper explains the mathematical principles underlying the presented methods, such as loss functions, ensemble models, gradient descent stages, regularization terms and specific functional forms of these machine learning methodologies. The role of machine learning methods in significantly improving the accuracy and reliability of solar energy forecasts is emphasized.
Keywords: output forecasting, machine learning, decision trees, linear regression, artificial neural networks.
Дата поступления в редакцию: 14.05.2023
