Полное описание

Сергеев, Н. Н. Повышение точности прогноза электропотребления промышленного предприятия методами машинного обучения с помощью отбора значимых признаков из временного ряда = Increasing the Accuracy of Forecasting the Electricity Consumption of an Industrial Enterprise by Machine Learning Methods Using the Selection of Significant Features from a Time Series / Н. Н. Сергеев, П. В. Матренин. - DOI 10.21285/1814-3520-2022-3-487-498. - Текст : непосредственный // iPolytech Journal : научный журнал. - 2022. - Том 26, N 3. - С. 487-498. - Библиогр. в конце ст. - ISSN 2782-4004.

ГРНТИ	УДК
44.29	621.311:004.8
28.23.25	004.85
28.23.37	004.032.26

Рубрики:
Искусственный интеллект -- Применение в электроэнергетике
Нейронные сети -- Применение
Машинное обучение

Кл.слова (ненормированные): ансамбли деревьев решений -- искусственные нейронные сети -- машинное обучение -- промышленное предприятие -- прогнозирование электропотребления -- анализ временных рядов
Аннотация: Цель - повышение точности прогнозирования электропотребления предприятия за счет анализа и предварительной обработки входных данных, а также оценка влияния выбора признаков на результаты различных моделей прогнозирования. В качестве объекта, для которого составляется прогноз, было выбрано деревообрабатывающее предприятие Нижнего Новгорода. В работе сравниваются два типа методов машинного обучения: нейросетевые и ансамблевые модели. Рассмотрен один из способов выделения наиболее значимых параметров (признаков) временного ряда для улучшения результата следующих ансамблевых моделей на базе деревьев решений: адаптивный бустинг (AdaBoost), градиентный бустинг (Gradient Boosting) и случайный лес (Random Forest). Определение наиболее важных признаков исходного временного ряда осуществлено с помощью расчета коэффициентов корреляции между электропотреблением в прогнозируемый час и в предшествующие часы. Установлено, что в рассматриваемом объекте для построения прогноза наиболее важными признаками являются значения потребляемой энергии в те часы, которые отстают от прогнозируемого часа на кратное число суток. В качестве дополнительного признака используется график планово-профилактических работ деревообрабатывающих станков. Результаты показали, что при выборе правильной методики отбора признаков ансамбли деревьев решений способны превосходить искусственные нейронные сети по результатам: наименьшая средняя ошибка нейросетевой модели на тестовой выборке составляет 7,0%, в то время как для одной ансамблевой модели (градиентного бустинга) получено значение ошибки в 5,5%. Показано, что использование графика ремонтных работ также повышает точность прогноза: для рассмотренных ансамблевых моделей снижение ошибки составило от 20 до 30%.
Доп. точки доступа:
Матренин, Павел Викторович


Нет сведений об экземплярах
Держатели документа:
Государственная публичная научно-техническая библиотека России : 123298, г. Москва, ул. 3-я Хорошевская, д. 17 (Шифр в БД-источнике (KATBW): -786073-217889)

Шифр в сводном ЭК: 46e7a61b407e7c48af351d4fcdd5ffa6

Заказать
Заказ фрагмента документа ₽