Прогнозирование электропотребления с помощью выделения функций из временного ряда

В статье рассматриваются методы прогнозирования электропотребления на основе анализа временных рядов. В рамках исследования предложен метод автоматизированного выделения характеристик из временных последовательностей, направленный на их дальнейшее использование в задачах машинного обучения. Данный подход позволяет эффективно преобразовывать исходные данные в информативные признаки, пригодные для построения и обучения прогностических моделей. Исследование проводится на данных о потреблении электроэнергии в коммерческих объектах, что позволяет повысить точность прогнозирования и оптимизировать управление энергохозяйством. В работе представлены результаты сравнения различных комбинаций оценочных показателей и функций потерь в рамках одной модели машинного обучения. Особое внимание уделено оценке неопределенности прогнозов и анализу влияния временных факторов на точность предсказаний. Результаты исследования демонстрируют, что использование современных методов машинного обучения позволяет достичь высокой точности прогнозирования электропотребления на основе исторических данных.

Бугаец В. А. Краткосрочное прогнозирование электропотребления энергорайонов и реги-она с учетом метеофакторов: автореф. дис. … канд. техн. наук. Новочеркасск: [б. и.], 2015. 22 с. EDN: ZPRVLZ
Bugaets V. A. Short-term forecasting of electricity consumption in energy districts and regions considering meteorological factors: Abstract Cand. thesis in Technical Sciences. Novocher-kassk: [s. n.], 2015. 22 p. (In Russ.) EDN: ZPRVLZ

Надтока И. И., Звозникова И. А. Сравнительный анализ расчетных и фактических данных естественной освещенности, используемых при прогнозировании электропотребления. Сту-денческая научная весна-2011: Материалы региональной научно-технической конференции.  Новочеркасск: ЮРГПУ, 2011. С. 335–336. EDN: JTQDYF
Nadtoka I. I., Zvoznikova I. A. Comparative analysis of calculated and actual natural illumination data used in electricity consumption forecasting. Student Scientific Spring-2011: Proceedings of the Regional Scientific and Technical Conference.  Novocherkassk: IURGPU, 2011, рр. 335–336. (In Russ.) EDN: JTQDYF

Серегичев К. С., Суконщиков А. А. Кратковременное прогнозирование электропотребления современных энергоемких предприятий. Вестник Вологодского государственного универ-ситета. Серия: Технические науки, 2024, № 2 (24), с. 36–39.  EDN: NTQAME
Seregichev K. S., Sukonshchikov A. A. Short-term prediction of electricity consumption for modern energy-intensive enterprises. Bulletin of Vologda State University. Series: Technical Sciences, 2024, no. 2 (24), рр. 36–39. (In Russ.) EDN: NTQAME

Хайкин С. Нейронные сети: полный курс. Москва: Вильямс, 2016. 1104 с.
Khaikin S. Neural Networks: A Comprehensive Foundation. Moscow: Vil'iams, 2016. 1104 p. (In Russ.)

Brownlee J. Deep Learning for Time Series Forecasting.  Machine Learning Mastery, 2021.  320 p.

Feature extraction settings tsfresh. Available at: https://tsfresh.readthedocs.io/en/latest/text/feature_extraction_settings.html (accessed:  24.03.2025)

Kennedy A., Gemma N., Rattenbury N., Kempa-Liehr A. V. Modeling predicted microlensing event detections using systematic time series feature analysis. Astronomy and Computing, 2021, рр. 1–14.  https://doi.org/10.1016/j.ascom.2021.100460