ІМОВІРНІСНЕ ПРОГНОЗУВАННЯ ПРОМИСЛОВОГО НАВАНТАЖЕННЯ: LIGHTGBM ТА TFT З УРАХУВАННЯМ РИНКОВИХ ОБМЕЖЕНЬ

Василь Калінчик; Олександр Копчиков

doi:10.20535/1813-5420.3.2025.339761

Автор(и)

Василь Калінчик Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна https://orcid.org/0000-0003-4028-0185
Олександр Копчиков Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Україна https://orcid.org/0000-0001-7885-4055

DOI:

https://doi.org/10.20535/1813-5420.3.2025.339761

Ключові слова:

прогнозування електричного навантаження, промислове підприємство, квантильні прогнози, темпоральне узгодження, ринкові фактори електроенергетики

Анотація

В роботі представлено орієнтований на графік роботи обладнання підхід до середньострокового прогнозування промислового навантаження, який передбачає декомпозицію споживання на детермінований базовий профіль, сформований із графіків роботи обладнання, та стохастичного залишку, що моделюється за допомогою LightGBM і Temporal Fusion Transformer (TFT). Режимні зсуви визначаються за допомогою сегментації PELT, тоді як багатогоризонтні квантильні прогнози забезпечуються неперетинними та узгодженими між часовими рівнями завдяки методам MinT/THieF. Ринкові обмеження інтегруються через вибір релевантних горизонтів прогнозування, що відповідають правилам закриття «воріт» для двосторонніх договорів і ринку «на добу наперед», а також через застосування вартісно-зваженої pinball-втрати, яка відображає асиметричні витрати небалансів у критичні години. На відкладеній тестовій вибірці TFT перевершує LGBM за точністю точкових прогнозів. Використання конформної квантильної регресії (CQR) для LGBM і γ-звуження для TFT покращує емпіричне покриття до номінального рівня та зменшує ширину інтервалів. Запропонований підхід є безпосередньо придатним для планування закупівель відповідно до правил українського ринку електроенергії та узгоджується з «decision-centric» оцінюванням економічної вартості прогнозів.

Посилання

Про ринок електричної енергії : Закон України від 13.04.2017 № 2019-VIII : станом на 09.04.2025 URL: https://zakon.rada.gov.ua/laws/show/2019-19#Text (дата звернення: 10.08.2025).

Comprehensive review of load forecasting with emphasis on intelligent computing approaches / H. Wang та ін. Energy Reports. 2022. Т. 8. С. 13189–13198. URL: https://doi.org/10.1016/j.egyr.2022.10.016 (дата звернення: 10.08.2025).

Pinheiro M. G., Madeira S. C., Francisco A. P. Short-term electricity load forecasting–A systematic approach from system level to secondary substations. Applied Energy. 2023. Т. 332. С. 120493. URL: https://doi.org/10.1016/j.apenergy.2022.120493 (дата звернення: 10.08.2025).

Forecasting Uncertainty in Electricity Smart Meter Data by Boosting Additive Quantile Regression / S. Ben Taieb та ін. IEEE Transactions on Smart Grid. 2016. Т. 7, № 5. С. 2448–2455. URL: https://doi.org/10.1109/tsg.2016.2527820 (дата звернення: 10.08.2025).

A review of distribution network applications based on smart meter data analytics / C. L. Athanasiadis та ін. Renewable and Sustainable Energy Reviews. 2024. Т. 191. С. 114151. URL: https://doi.org/10.1016/j.rser.2023.114151 (дата звернення: 10.08.2025).

Electricity load forecasting: a systematic review / I. K. Nti та ін. Journal of Electrical Systems and Information Technology. 2020. Т. 7, № 1. URL: https://doi.org/10.1186/s43067-020-00021-8 (дата звернення: 10.08.2025).

Про затвердження Правил ринку : Постанова від 14.03.2018 № 307 : станом на 30.07.2025 URL: https://zakon.rada.gov.ua/laws/show/v0307874-18#Text (дата звернення: 10.08.2025).

Про затвердження Правил ринку «на добу наперед» та внутрішньодобового ринку : Постанова від 14.03.2018 № 308 : станом на 23.02.2024 URL: https://zakon.rada.gov.ua/laws/show/v0308874-18#Text (дата звернення: 10.08.2025).

Про затвердження Правил управління обмеженнями та Порядку розподілу пропускної спроможності міждержавних перетинів : Постанова від 03.04.2020 № 763 : станом на 01.02.2022 URL: https://zakon.rada.gov.ua/laws/show/v0763874-20#Text (дата звернення: 10.08.2025).

Medium and Long-term Load Intelligent Forecasting Method Based on the Comprehensive and Multiple Early Warning Indicators / Y. Wang та ін. Journal of Physics: Conference Series. 2020. Т. 1449. С. 012124. URL: https://doi.org/10.1088/1742-6596/1449/1/012124 (дата звернення: 10.08.2025).

Energy Load Profile Analysis on Machine Level / H. Teiwes та ін. Procedia CIRP. 2018. Т. 69. С. 271–276. URL: https://doi.org/10.1016/j.procir.2017.11.073 (дата звернення: 10.08.2025).

Alkadi N. E., Starke M. R., Ma O. Assessment of Industrial Load for Demand Response across Western Interconnect. Office of Scientific and Technical Information (OSTI), 2013. URL: https://doi.org/10.2172/1111445 (дата звернення: 10.08.2025).

Forecast reconciliation: A geometric view with new insights on bias correction / A. Panagiotelis та ін. International Journal of Forecasting. 2021. Т. 37, № 1. С. 343–359. URL: https://doi.org/10.1016/j.ijforecast.2020.06.004 (дата звернення: 10.08.2025).

De Livera A. M., Hyndman R. J., Snyder R. D. Forecasting Time Series With Complex Seasonal Patterns Using Exponential Smoothing. Journal of the American Statistical Association. 2011. Т. 106, № 496. С. 1513–1527. URL: https://doi.org/10.1198/jasa.2011.tm09771 (дата звернення: 10.08.2025).

Pya N., Wood S. N. Shape constrained additive models. Statistics and Computing. 2014. Т. 25, № 3. С. 543–559. URL: https://doi.org/10.1007/s11222-013-9448-7 (дата звернення: 10.08.2025).

Zimmermann M., Ziel F. Efficient mid-term forecasting of hourly electricity load using generalized additive models. Applied Energy. 2025. Т. 388. С. 125444. URL: https://doi.org/10.1016/j.apenergy.2025.125444 (дата звернення: 10.08.2025).

Chen T., Guestrin C. XGBoost. KDD '16: The 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, м. San Francisco California USA. New York, NY, USA, 2016. URL: https://doi.org/10.1145/2939672.2939785 (дата звернення: 10.08.2025).

G. Ke et al. LightGBM: A Highly Efficient Gradient Boosting Decision Tree, NeurIPS, 2017

L. Prokhorenkova, G. Gusev, A. Vorobev, A. V. Dorogush, і A. Gulin, «CatBoost: unbiased boosting with categorical features», 2017, arXiv. doi: 10.48550/ARXIV.1706.09516.

Meinshausen, N. Quantile Regression Forests. Journal of Machine Learning Research 7 (2006) 983–999.

S. Bai, J. Z. Kolter, і V. Koltun, «An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling», 2018, arXiv. doi: 10.48550/ARXIV.1803.01271.

B. N. Oreshkin, D. Carpov, N. Chapados, і Y. Bengio, «N-BEATS: Neural basis expansion analysis for interpretable time series forecasting», 2019, arXiv. doi: 10.48550/ARXIV.1905.10437.

C. Challu, K. G. Olivares, B. N. Oreshkin, F. Garza, M. Mergenthaler-Canseco, і A. Dubrawski, «N-HiTS: Neural Hierarchical Interpolation for Time Series Forecasting», 2022, arXiv. doi: 10.48550/ARXIV.2201.12886.

B. Lim, S. O. Arik, N. Loeff, і T. Pfister, «Temporal Fusion Transformers for Interpretable Multi-horizon Time Series Forecasting», 2019, arXiv. doi: 10.48550/ARXIV.1912.09363.

Y. Nie, N. H. Nguyen, P. Sinthong, і J. Kalagnanam, «A Time Series is Worth 64 Words: Long-term Forecasting with Transformers», 2022, arXiv. doi: 10.48550/ARXIV.2211.14730.

R. Killick, P. Fearnhead, і I. A. Eckley, «Optimal detection of changepoints with a linear computational cost», arXiv, 2011, doi: 10.48550/ARXIV.1101.1438.

C. Truong, L. Oudre, N. Vayatis. “ruptures: change point detection in Python”, JMLR, 2020.

Adams & MacKay, 2007

S. Wickramasuriya, G. Athanasopoulos, R. Hyndman. “Optimal forecast reconciliation for hierarchical and grouped time series through trace minimization (MinT)”, JASA, 2019.

Wickramasuriya S. L., Athanasopoulos G., Hyndman R. J. Optimal Forecast Reconciliation for Hierarchical and Grouped Time Series Through Trace Minimization. Journal of the American Statistical Association. 2018. Т. 114, № 526. С. 804–819. URL: https://doi.org/10.1080/01621459.2018.1448825 (дата звернення: 10.08.2025).

Forecasting with temporal hierarchies / G. Athanasopoulos та ін. European Journal of Operational Research. 2017. Т. 262, № 1. С. 60–74. URL: https://doi.org/10.1016/j.ejor.2017.02.046 (дата звернення: 10.08.2025).

Hong T., Fan S. Probabilistic electric load forecasting: A tutorial review. International Journal of Forecasting. 2016. Т. 32, № 3. С. 914–938. URL: https://doi.org/10.1016/j.ijforecast.2015.11.011 (дата звернення: 10.08.2025).

Koenker R., Bassett G. Regression Quantiles. Econometrica. 1978. Т. 46, № 1. С. 33. URL: https://doi.org/10.2307/1913643.

Quantile and Probability Curves Without Crossing. Econometrica. 2010. Т. 78, № 3. С. 1093–1125. URL: https://doi.org/10.3982/ecta7880 (дата звернення: 10.08.2025).