ПОРІВНЯННЯ КЛАСИЧНИХ ТА НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗУВАННЯ ОБСЯГІВ СПОЖИВАННЯ ЕЛЕКТРОЕНЕРГІЇ НЕПОБУТОВОГО СПОЖИВАЧА

Анотація

Розглянуто задачу прогнозування електричного навантаження енергооб’єкта в умовах високої варіативності споживання. Проведено порівняльний аналіз ефективності моделей прогнозування із горизонтами 1 й 24 години. Для першого варіанта досліджено методи SSA, Холта-Вінтерса, а також архітектури нейромереж LSTM і Transformer. Для другого – додатково розглянуто моделі з попередньою декомпозицією на основі перетворення Гільберта–Хуанга (модель M1) та поліноміальної регресії (модель M2). Проведено оцінку якості моделей за допомогою чотирьох метрик: середньої похибки (ME), середньої абсолютної похибки (MAE), середньоквадратичної похибки (RMSE) та середньої абсолютної відносної похибки (MAPE). Отримані результати свідчать, що за горизонта 1 година модель Transformer забезпечила найменші значення MAE та MAPE (2,54 кВт та 4,95% відповідно), що свідчить про її високу точність. LSTM продемонструвала схожу точність із найменшим зміщенням прогнозу. Моделі SSA та Holt-Winters суттєво поступилися за точністю, хоча й показали кращу стабільність у запобіганні великим похибкам. У разі прогнозування на 24 години найкращих результатів за точністю та стабільністю досягла модель Transformer (МАЕ 3,61 кВт). Модель M1, побудована на основі Гільберта–Хуанга, показала збалансовану продуктивність за всіма метриками, а LSTM – високу абсолютну точність. Додатковий аналіз частот розподілу середньої похибки показав, що Transformer і LSTM забезпечують високу щільність точних прогнозів у вузьких інтервалах похибок, на відміну від SSA та Holt-Winters, для яких характерні систематичні зсуви. Наукова новизна роботи полягає у визначенні закономірностей застосування нейромережевих моделей у задачах прогнозування навантаження непобутових споживачів: вперше показано перевагу архітектури Transformer для короткострокових горизонтів прогнозування. Бібл. 16, рис. 2, табл. 3.