ПРОГНОЗУВАННЯ ПІКОВОГО НАВАНТАЖЕННЯ НА ЕЛЕКТРИЧНІ МЕРЕЖІ

У сучасному світі точний прогноз пікового споживання електроенергії використовується як одне з ключових значень для ефективного управління електромережами. Вирішення цієї задачі вимагає ретельного розгляду різних методів прогнозування, використовуючи годинні дані споживання електроенергії та різні моделі прогнозування. Ця стаття присвячена аналізу різних методів прогнозування пікового навантаження, використовуючи дослідницьку методологію, що включає обробку даних, вибір моделі та оптимізацію параметрів. Моделі, що розглядаються, охоплюють широкий спектр методів прогнозування, включаючи ARIMA, SARIMA, LSTM, GRU та Random Forest. Для оцінки їх ефективності було використано низку метрик оцінки, таких як середня абсолютна помилка (MAE), коренева середня квадратична помилка (RMSE), середня абсолютна відсоткова помилка (MAPE), R-квадрат та площа під кривою характеристики отримувача (ROC AUC). Результати цього дослідження підкреслюють сильні та слабкі сторони кожної моделі прогнозування споживання електроенергії. Зокрема, деякі підходи проявляють себе з більшою точністю в короткострокових сценаріях прогнозування пікового споживання електроенергії, тоді як інші відзначаються в довгострокових прогнозах. Вибір оптимального методу прогнозування стає залежним від конкретних умов, обмежень та цілей конкретного дослідження. Моделі LSTM та GRU, що представляють собою нейронні мережі глибокого навчання, проявляють свою ефективність в розгляді складних динамік даних щодо споживання електроенергії. Їх здатність розпізнавати патерни, нелінійності та довгострокові залежності робить їх потужними конкурентами в області довгострокового прогнозування піку споживання. Модель Random Forest виявилась універсальною, здатною адаптуватися до багатогранних характеристик даних споживання електроенергії. Її здатність автономно визначати складні залежності, нелінійні відносини та сезонні патерни, враховуючи зовнішні фактори підвищує її корисність в широкому спектрі сценаріїв прогнозування. Ця робота має значення для практичного вивчення різних методів прогнозування піку споживання електроенергії. Результати, отримані з цього аналізу, мають значні значення для вдосконалення стратегій управління електромережами, що в кінцевому рахунку сприяє стабільності та стійкості енергетичної мікромережі.