Содержание 1
Введение 3
Актуальность 5
Постановка задачи 6
Полученные результаты 6
Методы решения задач 7
Методы и модели машинного обучения 7
Основные определения машинного обучения 8
Решение задачи 10
Выбранные признаки 13
Рассмотренные методы 16
Линейная регрессия 16
Деревья решений 18
Градиентный бустинг на деревьях решений 18
Random Forest 19
Реализация решений 21
Препроцессинг 21
Разработка информационной системы, решающей задачу прогнозирования нагрузки на электросети 24
Сравнение с другими языками программирования 27
Результаты 30
Заключение
Список литературы 33
Приложения 35
Листинг 46
Препроцессинг
Обработка данных о погоде 46
Обработка данных об электроэнергии 53
Добавление новых признаков 58
Код решения ......... 63
Линейная регрессия .......... 63
Деревья решений 64
Градиентный бустинг на деревьях решения 65
Random Forest 66
В современных условиях энергетическая сфера является не только неотъемлемой частью коммерческого мира, но и оказывает сильное влияние на повседневную жизнь населения. Поэтому решения задач энергетики имеют большое значение для индустрии и человечества в целом.
Задача прогнозирования заключается в том, чтобы предсказать необходимые результаты для поставленной задачи с минимальной ошибкой. Задачи прогнозирования охватывают многие сферы жизни — экономическую, социальную, сельскохозяйственную сферы, медицину, геологию, прогноз погоды и другие. Многие коммерческие компании используют финансовые прогнозы, прогнозы спроса и предложений своего товара. Это позволяет существенно экономить бюджет компании.
В работе рассмотрена задача прогнозирования объёма потраченной электроэнергии в Республике Татарстан, Россия. Фактически ставилась задача прогнозирования электронагрузки на каждый час указанного периода.
Задача прогнозирования нагрузки на электросеть заключается в предсказании необходимых для продажи объёмов электроэнергии. Наиболее точный прогноз позволяет существенно сократить расходы поставщика. Анализ полученных данных способствует определению пиковых периодов, так называемые часы пиковой нагрузки. Пиковые периоды могут регулировать цены на электроэнергию. Прогнозирование нагрузки на электросеть позволяет предсказать и предотвратить аварийные ситуации на станциях, которые могут возникнуть из-за перенагрузки сетей.
Конференции, посвященные направлению Smart Grid, частью которого является задача прогнозирования нагрузки, имеют широкую географию.
Задача прогнозирования нагрузки на электросеть актуальна последние несколько десятилетий. Её решением на сегодняшний день занимаются многие учёные со всего мира. В том числе задача набирает популярность и в России.
Большинство исследователей применяют модели машинного обучения. Самой часто встречающейся моделью для решения поставленной задачи оказались искусственные нейронные сети [1, 2, 3, 4, 5, 6, 7, 8].
Но и другие модели показывают себя хорошо в применении. Решения задачи прогнозирования нагрузки для города Ульяновска, к примеру, были получены с помощью восстановления уравнений регрессии. Исследователем были получены достаточно высокие результаты. Этот же метод использовали исследователи из США. Сербские ученые, например, применяли методы нечеткой логики.
Для решения задачи необходимо выявить признаки, влияющие на объём потраченной электроэнергии, что становится главной целью учёных, занимающихся этим вопросом.
Погодные, геологические и социальные признаки имеют большое значение. В качестве примера можно рассмотреть такую ситуацию: чем теплее погода, тем больше люди нуждаются в использовании кондиционеров, холодильников (для охлаждения напитков в магазине, например), вентиляторов и других технических приборов, работающих от сети. Следовательно, объём потраченной населением электроэнергии будет увеличиваться.
Каждая страна имеет свои климатические особенности. Задача зависит от классического поведения людей в рассматриваемой местности, от структуры местности, климатических особенностей. В связи с этим результаты, полученные для США и Европы, не применимы для нашей страны.
Более того, в силу обширной географии страны, каждый регион России может существенно отличаться погодными, геологическими и социальными условиями даже от соседних регионов. Поэтому задача прогнозирования нагрузки на электросеть для каждой местности индивидуальна. В связи с этим задача должна решаться заново, но опираясь на результаты других исследователей.
Большинство исследователей сошлись во мнении, что климатические условия местности являются наиболее влияющими факторами изменения объёма электронагрузок.
В ходе выполнения работы была разработана информационная система для прогнозирования нагрузки на электросеть с использованием данных о погоде на примере Республики Татарстан. Для решения задачи использовалось машинное обучение. Были рассмотрены три метода машинного обучения: линейная регрессия, деревья решения и композиция методов, называемая градиентный бустинг на деревьях решений, который показал наилучший результат.
Достаточно высокие результаты экспериментально подтвердили активное влияние климатических данных на объём затраченной электроэнергии. Такие выводы были сделаны и другими исследователями ранее.
Результаты прогнозирования могут быть использованы при закупке электроэнергии компаниями-поставщиками и для анализа состояния электросетей, выявляя перенагрузки и предаварийные ситуации на электростанциях.
В дальнейшем система будет дорабатываться. Будут рассмотрены другие методы и композиции методов машинного обучения, добавлены новые признаки, будет осуществлена попытка применения метода one-hot-encoding к другим признакам, будут рассмотрены такие признаки, как атмосферное давление и направление ветра и другие.
В планах исследователя рассмотреть экономическую ситуацию в стране, уровень инфляции и другие факторы. То есть определить зависимость объёма используемой электроэнергии не только от климатических и временных факторов, но и экономических и социальных.
