Модель прогнозування обсягів споживання електроенергії з використанням алгоритму «випадковий ліс»

О.І. Клюзко, аспірант
Інститут проблем моделювання в енергетиці ім. Г.Є. Пухова НАН України
Україна, 03164, Київ, вул. Генерала Наумова, 15
e-mail: Ця електронна адреса захищена від спам-ботів. Вам необхідно увімкнути JavaScript, щоб побачити її.

Èlektron. model. 2025, 47(2):48-66

https://doi.org/10.15407/emodel.47.02.036

АНОТАЦІЯ

Представлено особливості застосування алгоритму «випадкового лісу» (Random Forest (RF)) для короткострокового прогнозування обсягів споживання електроенергії спожи­вачами, які обслуговуються компанією-постачальником. В результаті обробки історичних даних за допомогою алгоритма RF розроблено прогнозну модель, що враховує часові, метеорологічні та календарні ознаки. Ідентифікація гіперпараметрів моделі дозволила досягти високої точності прогнозних розрахунків. Результати проведених експерименталь­них розрахунків демонструють ефективність застосування моделі, зокрема, можливість пошуку її ключових кваліфікаційних параметрів. Показано особливості застосування моделі в системі прийняття рішень компанією-постачальником щодо управління енергетичними ресурсами та мінімізації небалансу обсягів електроенергії на ринку.

КЛЮЧОВІ СЛОВА:

Random Forest; прогнозування; споживання електроенергії; ма­шинне навчання; енергетичні ресурси; прогнозна модель.

СПИСОК ЛІТЕРАТУРИ

1. Закон України №2019-VIII вид 13.04.2017 «Про ринок електричної енергії»: https://zakon.rada.gov.ua/laws/show/2019-19#Text
2. Xuan, Y. et al., "Multi-Model Fusion Short-Term Load Forecasting Based on RF Feature Selection and Hybrid Neural Network," in IEEE Access, vol. 9, pp. 69002-69009, 2021, doi: 10.1109/ACCESS.2021.3051337.
3. Pop, C.B., Chifu, V.R., Cordea, C., Chifu E.S. and Barsan, O. "Forecasting the Short-Term Energy Consumption Using Random Forests and Gradient Boosting," 2021 20th RoEduNet Conference: Networking in Education and Research (RoEduNet), Iasi, Romania, 2021, pp. 1-6, doi: 10.1109/RoEduNet54112.2021.9638276
4. Lahouar, A., Ben Hadj Slama, J. Day-ahead load forecast using random forest and expert input selection, Energy Conversion and Management, Volume 103, 2015, pp 1040-1051, ISSN 0196-8904, https://doi.org/10.1016/j.enconman.2015.07.041.
5. Pang, X., Luan, C., Liu, L. et al. Data-driven random forest forecasting method of monthly electricity consumption. Electr Eng 104, 2045-2059 (2022). https://doi.org/10.1007/s00202-021-01457-5
6. Li, H., Zhou, Q., Tian J. and Lin, X. "Energy Demand Forecasting for an Office Building Based on Random Forests," 2020 IEEE 4th Conference on Energy Internet and Energy System Integration (EI2), Wuhan, China, 2020, pp. 29-32, doi: 10.1109/EI250167. 2020.9347021
7. Rangelov, D., Boerger, M., Tcholtchev, N., Lämmel, P. and Hauswirth, M. "Design and Development of a Short-Term Photovoltaic Power Output Forecasting Method Based on RF, Deep Neural Network and LSTM Using Readily Available Weather Features," in IEEE Access, vol. 11, pp. 41578-41595, 2023, doi: 10.1109/ACCESS.2023.3270714.
8. Magalhães, B.; Bento, P.; Pombo, J.; Calado, M.d.R.; Mariano, S. Short-Term Load Forecasting Based on Optimized Random Forest and Optimal Feature Selection. Energies 2024, 17, 1926. https://doi.org/10.3390/en17081926
9. Sartini Sartini, Luthfia Rohimah, Yana Iqbal Maulana, Supriatin Supriatin, Dewi Yuliandari Optimization of RF Prediction for Industrial Energy Consumption Using Genetic Algorithms March 2023, PIKSEL Penelitian Ilmu Komputer Sistem Embedded and Lo­gic 11(1):35-44, DOI:10.33558/piksel.v11i1.5886
10. Постанова НКРЕКП від 28.12.2018 № 2118 «Про затвердження Тимчасового порядку визначення обсягів купівлі електричної енергії на ринку електричної енергії електропостачальниками та операторами систем розподілу на перехідний період» https://zakon.rada.gov.ua/rada/show/v2118874-18#n9
11. Блінов І.В., Парус Є.В., Клименко О.Г., Клюзко О.І. / Спосіб порівняльних оцінок комерційних пропозицій електропостачальників для споживачів без погодинного обліку електричної енергії // Енергетика: економіка, технології, екологія: науковий журнал. 2023. № 3 (73). С. 36-42. Бібліогр.: 5 назв. DOI: https://doi.org/10.20535/1813-5420.3.2023.289654
12. Rangelov, D., Boerger, M., Tcholtchev, N., Lämmel P. and Hauswirth, M. “Design and Development of a Short-Term Photovoltaic Power Output Forecasting Method Based on RF, Deep Neural Network and LSTM Using Readily Available Weather Features” in IEEE Access, vol. 11, pp. 41578-41595, 2023, doi: 10.1109/ACCESS.2023.3270714.

Повний текст: PDF