Розробка моделі прогнозування споживання та генерації електроенергії з використанням методів машинного навчання

Abstract

Кваліфікаційна робота бакалавра присвячена розв'язанню задачі розробки та імплементації математичних моделей прогнозування обсягів споживання та генерації електроенергії (зокрема, з відновлюваних джерел) з використанням алгоритмів машинного навчання. У роботі проведено аналіз впливу метеорологічних факторів (температура, хмарність, час доби) на режими роботи локальних енергосистем. Формалізовано процеси екстракції ознак та підготовки часових рядів для навчання моделей. Реалізовано програмний комплекс мовою Python з використанням бібліотеки Scikit-Learn, що розв'язує задачу регресії шляхом застосування алгоритмів лінійної регресії (Linear Regression) та ансамблевих методів (Random Forest, Gradient Boosting). Експериментальне дослідження на реальному наборі даних міста Луцьк за 2021 рік підтвердило високу ефективність розробленої системи. За результатами оцінювання визначено оптимальні вагові коефіцієнти для лінійної моделі. Система досягла високих показників точності: для лінійної регресії коефіцієнт детермінації (R²) склав 0,998 при середній абсолютній похибці (MAE) 0,71 МВт. Аналіз важливості ознак показав, що найвищий вплив на прогноз має період доби (62%) та температура середовища (25%), що гарантує надійність моделі для задач балансування навантаження.The bachelor's qualification paper is devoted to solving the problem of developing and implementing mathematical models for forecasting electricity consumption and generation (in particular, from renewable sources) using machine learning algorithms. The paper analyzes the impact of meteorological factors (temperature, cloud cover, time of day) on the operating modes of local energy systems. The processes of feature extraction and time series preparation for model training are formalized. A software complex was implemented in Python using the Scikit-Learn library, which solves the regression problem by applying linear regression algorithms (Linear Regression) and ensemble methods (Random Forest, Gradient Boosting). Experimental research on a real dataset of the city of Lutsk for 2021 confirmed the high efficiency of the developed system. Based on the evaluation results, the optimal weight coefficients for the linear model were determined. The system achieved high accuracy: for linear regression, the coefficient of determination (R²) was 0.998 with a Mean Absolute Error (MAE) of 0.71 MW. Feature importance analysis showed that the time of day (62%) and ambient temperature (25%) have the highest impact on the forecast, which guarantees the model's reliability for load balancing tasks.