ML – Прогнозування обсягів споживання електроенергії ДЛЯ ЕНЕРГЕТИЧНИХ ПІДПРИЄМСТВ

Замовник: Мережа енергетичних компаній

Проект: Проект по прогнозуванню обсягу споживання електроенергії для енергетичних компаній

Мета проекту: отримання короткострокового прогнозу енергоспоживання для планування обсягу закупівель на Українській енергетичній біржі.

  • Побудувати тестову модель прогнозування споживання електроенергії з використанням системи машинного навчання, на підставі даних, що збираються в точках обліку замовника.
  • Визначити джерела і детальність додаткових даних / даних із зовнішніх джерел, здатних позитивно вплинути на точність прогнозування (дані про клієнтів, аварії, планові роботи, прогноз погодних умов, тощо).
  • Визначити оптимальну глибину і дискретність необхідних даних.
  • Визначити необхідний перелік підсистем і фінальну архітектуру програмно-апаратного комплексу системи прогнозування для забезпечення успішної роботи компанії з енергетичною біржею.

Реалізація: Для досягнення мети проекту необхідно розробити і впровадити єдину систему обліку та прогнозування споживання електроенергії, на підставі якої будуть прийматися рішення про обсяги закупівлі на енергетичній біржі.
Для вирішення даного завдання, компанія АМ-БІТС пропонує розробку і впровадження платформи збору і обробки даних з підсистемою прогнозування на основі машинного навчання і прогнозного моделювання.

ФУНКЦІОНАЛЬНА СХЕМА СИСТЕМИ ОБЛІКУ ТА ПРОГНОЗУВАННЯ СПОЖИВАННЯ ЕЛЕКТРОЕНЕРГІЇ

Результат: В межах задачі прогнозування споживання електроенергії, були проведені дослідження по можливості використання машинного навчання. Проаналізувавши алгоритми і передові дослідження в галузі машинного навчання для короткострокового прогнозування подій, у взємодії з часовою лінією, було обрано Рекурентні нейронні мережі (англ. Recurrent neural network; RNN).

Рекурентні нейронні мережі – вид нейронних мереж, де зв’язки між елементами утворюють спрямовану послідовність. Завдяки цьому з’являється можливість обробляти серії подій у часі або послідовні просторові ланцюжки.

Для проведення дослідження та налаштування тестових RNN ми використали погодинні дані споживання електроенергії містом New York, які наявні у відкритому доступі, і температурні зміни в цей період. Пул доступних даних більше 1 року, але в процесі роботи і аналізу ми змогли побудувати якісні прогнози споживання на 2 дні вперед, використовуючи 3-х місячний інтервал історичних даних.

На наведеному графіку червона лінія відображає реальне споживання електроенергії на дату 2017-08-09, зелена, в свою чергу, показує прогноз споживання на цю ж дату. Модель побудовано, виходячи з умов відсутності даних про реальне споживання на попередній день.
Побудована нами модель дозволяє отримати прогноз споживання електрики для міста New York з похибкою в діапазоні 0,5-3,6% від реальних даних на 2 дня вперед, при наявності даних для навчання, що містять інформацію про температуру повітря і реальне енергоспоживання з дискретністю 1 година глибиною в три місяці.