Situational forecasting of electricity demand in the region

Анотація

Розглядається процес прогнозування обсягів продажу електроенергії на оптовому ринку. Для поліпшення якості прогнозу пропонується використання методу машинного навчання Random Forests у склад і вирішення задачі ситуаційного прогнозування споживання електроенергії. Робиться порівняння методу Random Forests з звичайною лінійною регресією. Прогноз виконується на базі історичних даних споживання електроенергії в Україні, а також змін вартості за одну годину споживання електроенергії і ряду ключових факторів. При прогнозуванні враховувалися показники погодних умов, макрофінансові та економічні характеристики. При реалізації програмного забезпечення була використана бібліотека Spark MLlib, що містить реалізацію прогностичних алгоритмів та спеціалізується на методах машинного навчання. Для алгоритмів були створені навчальні вибірки на базі історичних даних, знайдених у різних відкритих джерелах. У розділі Вступ робиться обґрунтування актуальності задачі прогнозування попиту електроенергії і неможливість врахування всіх факторів, що впливають на середовище при використанні стандартних підходів. Обчислено ряд показників, здатних визначити точність прогнозу: середня квадратична помилка, середня відносна і абсолютна помилки. Побудовано графіки, що відображають результати прогнозу в різних часових періодах: один день, один тиждень, один рік. Було виконано порівняння отриманих результатів із вихідними історичними даними. У розділі математичного обґрунтування наводиться детальний опис і аналіз алгоритму Random Forests. Додано таблиці, в яких наведені вхідні дані і отримані результати за допомогою лінійної регресії і алгоритму машинного навчання Random Forests. На завершення було зроблено висновки щодо ефективності алгоритму Random Forests, а також можливі проблеми при роботі з алгоритмами машинного навчання.