ПРОГНОЗУВАННЯ ПОПИТУ НА ЕЛЕКТРОЕНЕРГІЮ В SMART GRIDS НА ОСНОВІ МОДЕЛЕЙ МАШИННОГО НАВЧАННЯ
DOI:
https://doi.org/10.20535/1813-5420.1.2026.351525Ключові слова:
енергоефективність, прогнозування попиту, smart grid, машинне авчання, LSTM, рекурентні нейронні мережіАнотація
У роботі розглядається актуальна проблема високоточного короткострокового прогнозування попиту на електроенергію в умовах сучасних інтелектуальних енергосистем (Smart Grids). Трансформація енергетичного сектору, зумовлена децентралізацією генерації та масовим впровадженням відновлюваних джерел енергії, потребує нових підходів до обробки великих обсягів високочастотних даних. Обґрунтовано неефективність традиційних статистичних моделей, таких як ARIMA, для аналізу складних нелінійних залежностей у динамічних мережах. Основним методом дослідження обрано модель нейронної мережі Довгої Короткочасної Пам'яті (LSTM), яка дозволяє ефективно вирішувати проблему зникаючого градієнта та вловлювати довготривалі часові залежності. Модель інтегрує як основні часові ряди історичного попиту, так і екзогенні фактори, зокрема погодні умови та календарні події. Експериментальні дослідження проводилися на даних з високою дискретизацією (5-хвилинні інтервали). Результати моделювання продемонстрували значну перевагу LSTM над моделями ARIMA та XGBoost. Використання LSTM дозволило знизити похибки прогнозування (метрики RMSE та MAE) на 20–50% порівняно з традиційними методами, досягнувши значень MAE 7.8 кВт та RMSE 10.5 кВт. Практична цінність отриманих результатів полягає у можливості мінімізації операційних витрат, оптимізації роботи систем накопичення енергії та підвищенні загальної стабільності Smart Grids.
Посилання
Pertsev Yu.O., Korotka L.I. (2025). Comparative analysis of traditional statistical methods and the LSTM neural network model. System technologies 1 (156). С. 65-77. https://doi.org/10.34185/1562-9945-1-156-2025-08
Lobodzinskiy V.Yu., Buryk M.P., Spinul L.Yu, Chybelis V.I., Illina О.A. (2022). Features of smart grid technologies introduction in the energy industry. Scientific notes of Taurida National V.I. Vernadsky University. Series: Technical Sciences, 33 (72) № 4, pp. 160-166. https://doi.org/10.32838/2663-5941/2022.4/24
Nehme B., Hajj E., Nohra C. (2025). Energy consumption predictions using a neural network. Energy Informatics, 8, Article 139. https://doi.org/10.1186/s42162-025-00601-w
Hosseini E., Saeedpour B., Banaei M., Ebrahimy R. (2025). Optimized deep neural network architectures for energy consumption and PV production forecasting. Energy Strategy Reviews, 59, 101704. https://doi.org/10.1016/j.esr.2025.101704
Dakheel F., Çevik M. (2025). Optimizing Smart Grid Load Forecasting via a Hybrid Long Short-Term Memory–XGBoost Framework: Enhancing Accuracy, Robustness, and Energy Management. Energies, 18(11), 2842. https://doi.org/10.3390/en18112842
Abdulameer Y. H., Ibrahim, A. A. (2025). Forecasting of Electrical Energy Consumption Using Hybrid Models of GRU, CNN, LSTM, And ML Regressors (включно з XGBoost). Journal of Wireless Mobile Networks, Ubiquitous Computing, and Dependable Applications, 16(1), 560–575. https://doi.org/10.58346/JOWUA.2025.I1.033
Abdulameer Y. H., Ibrahim A. A. (2025). Forecasting of Electrical Energy Consumption Using Hybrid Models of GRU, CNN, LSTM, And ML Regressors. JOWUA, 16(1), 560–575. https://doi.org/10.58346/JOWUA.2025.I1.033
Nandigam S. H., Nageswararao K., Sharma P. K. (2025). Hybrid Deep Learning Models for Energy Consumption Forecasting: CNN-LSTM Approach for Large-Scale Datasets. Journal of Renewable Energy and Smart Grid Technology. https://doi.org/10.69650/rast.2025.261326
Dakheel F., Çeviк M. (2025). Optimizing Smart Grid Load Forecasting via a Hybrid LSTM–XGBoost Framework: Enhancing Accuracy, Robustness, and Energy Management. Energies, 18, 2842. https://doi.org/10.3390/en18112842
Hosseini E., Saeedpour B., Banaei M., Ebrahimy R. (2025). Optimized deep neural network architectures for energy consumption and PV production forecasting. Energy Strategy Reviews, 59, 101704. https://doi.org/10.1016/j.esr.2025.101704
Kazemi Naeini H., Shomali R., Pishahang A., Hasanzadeh H., Mohammadi M., Asadi S. (2025). PINN-DT: Optimizing Energy Consumption in Smart Buildings Using Hybrid Physics-Informed Neural Networks and Digital Twin Framework with Blockchain Security. arXiv preprint. https://doi.org/10.48550/arXiv.2503.00331
Hosseini E., Saeedpour B., Banaei M., Ebrahimy R. (2025). Optimized deep neural network architectures for energy consumption and PV production forecasting. Energy Strategy Reviews, 59, 101704. https://doi.org/10.1016/j.esr.2025.101704
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
- Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
- Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
- Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).
