Клиент: Сеть энергетических компаний
Проект: Проект по прогнозированию объема потребляемой электроэнергии для энергетических компаний
Описание задачи: Цель проекта: получение краткосрочного прогноза энергопотребления для планирования закупок на Украинской энергетической бирже.
- Построить тестовую модель прогнозирования потребления электроэнергии с использованием системы машинного обучения, на основании данных, собираемых в точках учёта заказчика.
- Определить источники и детальность дополнительных данных/данных из внешних источников, способных позитивно повлиять на точность прогнозирования (данные о клиентах, авариях, прогноз погодных условий, пр.).
- Определить оптимальную глубину и дискретность собираемых данных.
- Определить необходимый перечень подсистем и финальную архитектуру программно-аппаратного комплекса системы прогнозирования для обеспечения успешной работы компании с энергетической биржей.
Реализация: Для достижения цели проекта необходимо разработать и внедрить единую систему учёта и прогнозирования потребления электроэнергии, на основании которой будут приниматься решения об объемах закупки на энергетической бирже.
Для решения данной задачи, компания АМ-БИТС предлагает разработку и внедрение платформы сбора и обработки данных с подсистемой прогнозирования на основе машинного обучения и прогнозного моделирования.
Функциональная схема Системы учёта и прогнозирования потребления электроэнергии
Результат: В рамках задачи предсказания потребления электроэнергии нами, были проведены исследования по возможности использования для этой задачи машинного обучения. Проведя анализ алгоритмов и передовых исследований в области машинного обучения для краткосрочного прогнозирования событий в привязке к временной линии, были выбраны Рекуррентные нейронные сети (англ. Recurrent neural network; RNN).
Рекуррентные нейронные сети — вид нейронных сетей, где связи между элементами образуют направленную последовательность. Благодаря этому появляется возможность обрабатывать серии событий во времени или последовательные пространственные цепочки.
Для проведения исследования и настройки тестовых RNN нами были взяты почасовые данные потребления электроэнергии городом New York, которые имелись в открытом доступе и температурные изменения в этот период. Пул доступных данных более 1 года, но в процессе работы и анализа нам удалось получить хорошие результаты предсказания потребления на 2 дня вперед используя 3-х месячный интервал исторических данных.
На приведённом графике красная линия отображает реальное потребление электроэнергии на 2017-08-09, зеленая, в свою очередь, показывает прогноз потребления на эту же дату. Модель прогнозирования строилась исходя из условий отсутствия данных о реальном потреблении на предыдущий день.
Построенная нами модель позволяет получить прогноз потребления электричества для города New York с погрешностью в диапазоне 0,5-3,6% от реальных данных на 2 дня вперед, при наличии данных для обучения, содержащих информацию о температуре воздуха и реальном энергопотреблении с дискретностью 1 час глубиной в три месяца.