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.
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.
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.