Досліджено використання моделей машинного навчання для прогнозування електроспоживання інтелектуальної мережі. З’ясовано, що попереднє оброблення даних збільшує продуктивність моделі прогнозування споживання енергії, а методи машинного навчання підвищують її точність завдяки інтеграції кількох алгоритмів та оптимізації гіперпараметрів. Виявлено, що ансамблева модель, яка поєднує низку моделей із різними структурними характеристиками, забезпечує вищу точність прогнозування, ніж кожна модель зокрема. Запропоновано вибір базових моделей із різною будовою: лінійні, рекурсивні, деревоподібні. Вибрано набір даних із часовими рядами кліматичних показників, а також попитом на електроспоживання, досліджено вплив кліматичних характеристик на прогнозовану величину електроспоживання, виконано кореляційний і автокореляційний аналіз. Побудовано базові моделі (авторегресії, регресії опорних векторів, випадкового лісу, довгої короткочасної пам’яті та екстремального посилення градієнта), здійснено їх навчання як слабких учнів та обчислено їхні похибки (середню квадратичну, абсолютну і відносну) між фактичними і прогнозованими значеннями електроспоживання. Здійснено оптимізацію гіперпараметрів базових моделей методом табличного пошуку. Побудовано ансамблеву модель прогнозування (сильного учня) як лінійну комбінацію прогнозів слабких учнів зі зваженими коефіцієнтами. Вагові коефіцієнти для кожного алгоритму оптимізовано за допомогою функції втрат середньоквадратичної похибки за методом найменших квадратів для послідовностей. Встановлено, що запропонована ансамблева модель показала менші значення похибки порівняно із окремими базовими моделями. Тому її використання для прогнозування споживання електроенергії забезпечить вищу точність, ніж кожна окрема базова модель.
1. Luo, X., & Oyedele, L. O. (2022). A self-adaptive deep learning model for building electricity load prediction with moving horizon. Machine Learning with Applications, 7, 100257. https://doi.org/10.1016/j.mlwa.2022.100257
2. Sanzana, M. R., Maul, T., Wong, J. Y., Abdulrazic, M. O. M., & Yip, C.-C. (2022). Application of deep learning in facility management and maintenance for heating, ventilation, and air conditioning. Automation in Construction, 141, 104445. https://doi.org/10.1016/j.autcon.2022.104445
3. Liu, H., Liang, J., Liu, Y., & Wu, H. (2023). A Review of Data-Driven Building Energy Prediction. Buildings, 13(2), 532. https://doi.org/10.3390/buildings13020532
4. Salam, A., & Hibaoui, A. E. (2018). Comparison of Machine Learning Algorithms for the Power Consumption Prediction: Case Study of Tetouan city. 2018 6th International Renewable and Sustainable Energy Conference (IRSEC), 1‑5. https://doi.org/10.1109/IRSEC.2018.8703007
5. Abdulwahed Salam, A. E. H. (2018). Power Consumption of Tetouan City Dataset. UCI Machine Learning Repository. https://doi.org/10.24432/C5B034
6. Shapi, M. K. M., Ramli, N. A., & Awalin, L. J. (2021). Energy consumption prediction by using machine learning for smart building: Case study in Malaysia. Developments in the Built Environment, 5, 100037. https://doi.org/10.1016/j.dibe.2020.100037
7. Faiq, M., Geok Tan, K., Pao Liew, C., Hossain, F., Tso, C.-P., Li Lim, L., Khang Wong, A. Y., & Mohd Shah, Z. (2023). Prediction of energy consumption in campus buildings using long short-term memory. Alexandria Engineering Journal, 67, 65‑76. https://doi.org/10.1016/j.aej.2022.12.015
8. Wang, Z., Hong, T., & Piette, M. A. (2020). Building thermal load prediction through shallow machine learning and deep learning. Applied Energy, 263, 114683. https://doi.org/10.1016/j.apenergy.2020.114683
9. Miraki, A., Parviainen, P., & Arghandeh, R. (2024). Electricity demand forecasting at distribution and household levels using explainable causal graph neural network. Energy and AI, 16, 100368. https://doi.org/10.1016/j.egyai.2024.100368
10. Hammoudeh, A., & Dupont, S. (2022). The prediction of residential building consumption using profiling and time encoding. Procedia Computer Science, 210, 7‑11. https://doi.org/10.1016/j.procs.2022.10.113
11. Jogunola, O., Adebisi, B., Hoang, K. V., Tsado, Y., Popoola, S. I., Hammoudeh, M., & Nawaz, R. (2022). CBLSTM-AE: A Hybrid Deep Learning Framework for Predicting Energy Consumption. Energies, 15(3), 810. https://doi.org/10.3390/en15030810
12. Geche, F., Batyuk, A., Mulesa, O., & Voloshchuk, V. (2020). The Combined Time Series Forecasting Model. 2020 IEEE Third International Conference on Data Stream Mining & Processing (DSMP), 272‑275. https://doi.org/10.1109/DSMP47368.2020.9204311
13. Vyshnevskyy, O., & Zhuravchak, L. (2023). Semantic Models for Buildings Energy Management. 2023 IEEE 18th International Conference on Computer Science and Information Technologies (CSIT), 1‑4. https://doi.org/10.1109/CSIT61576.2023.10324108
14. Yakovyna, V. S., & Symets І.І. (2021). Software defect prediction using neural network ensemble. Scientific Bulletin of UNFU, 31(6), 104-111. https://doi.org/10.36930/40310616
15. Li, Z., Qian, X., Li, L., & Xia, Z. (2024). Time series prediction model based on autoregression weight network. Engineering Reports, 6(4), e12756. https://doi.org/10.1002/eng2.12756
16. Manno, A., Intini, M., Jabali, O., Malucelli, F., & Rando, D. (2024). An ensemble of artificial neural network models to forecast hourly energy demand. Optimization and Engineering. https://doi.org/10.1007/s11081-024-09883-7
17. Tsalikidis, N., Mystakidis, A., Tjortjis, C., Koukaras, P., & Ioannidis, D. (2024). Energy load forecasting: One-step ahead hybrid model utilizing ensembling. Computing, 106(1), 241‑273. https://doi.org/10.1007/s00607-023-01217-2
18. AlKandari, M., & Ahmad, I. (2024). Solar power generation forecasting using ensemble approach based on deep learning and statistical methods. Applied Computing and Informatics, 20(3/4), 231‑250. https://doi.org/10.1016/j.aci.2019.11.002
19. Wu, N., Green, B., Ben, X., & O'Banion, S. (2020). Deep Transformer Models for Time Series Forecasting: The Influenza Prevalence Case (arXiv:2001.08317). arXiv. http://arxiv.org/abs/2001.08317
20. Liu, D., & Wang, H. (2024). Time series analysis model for forecasting unsteady electric load in buildings. Energy and Built Environment, 5(6), 900‑910. https://doi.org/10.1016/j.enbenv.2023.07.003