Стаття

Отримано 30.03.2025

Доопрацьовано 04.04.2025

Прийнято 28.06.2025

Взято з Том 29, № 1, 2025

Сторінки 98 -104

Myskiv, S., & Viter, M. (2025). Analysis of approaches to computer modelling and forecasting of electricity consumption data. The National Transport University Bulletin, 29(1), 98-104. https://doi.org/10.33744/2308-6645-2025-1-60-098-104

Аналіз підходів комп'ютерного моделювання та прогнозування даних споживання електроенергії

Сергій Миськів Михайло Вітер

У статті проведено комплексний аналіз методів комп'ютерного моделювання та прогнозування споживання електроенергії, що є критично важливим для забезпечення стабільності та ефективності сучасних енергосистем, особливо в умовах економічної та геополітичної нестабільності. Об'єкт дослідження – процеси та методи прогнозування споживання електроенергії. Мета роботи – систематизація, аналіз та порівняння традиційних статистичних підходів (ARIMA, SARIMA) та сучасних методів машинного навчання (LSTM, GRU, ансамблеві моделі) для прогнозування електроспоживання, а також визначення перспективних напрямів досліджень. Методи дослідження – для досягнення поставленої мети використано методи системного аналізу,моделювання, прогнозування, порівняльного аналізу, узагальнення отриманих даних. У роботі детально розглянуто переваги та недоліки різних класів моделей. Статистичні методи, хоч і є простими в реалізації, мають обмеження при роботі з нелінійними залежностями. Натомість, моделі машинного навчання, зокрема рекурентні нейронні мережі, демонструють значно вищу точність завдяки здатності враховувати складні часові патерни. Особливу увагу приділено гібридним моделям, що поєднують сильні сторони обох підходів. Окремо описано внесок українських наукових шкіл у розробку адаптивних моделей для кризових умов. Прогнозні припущення щодо розвитку об'єкта дослідження включають подальший розвиток мультимодальних та інтерпретованих моделей (Explainable AI), впровадження федеративного навчання для роботи з конфіденційними даними та створення систем, адаптивних до переходу на відновлювані джерела енергії. Результати статті можуть бути корисними для науковців і спеціалістів енергетичної галузі при виборі засобів прогнозування, а також енергетичним компаніям для підвищення точності планування, оптимізації роботи мереж та зниження витрат. Результати даного аналізу можуть бути використані в освітньому процесі при підготовці фахівців відповідних спеціальностей

прогнозування споживання електроенергії; комп'ютерне моделювання; машинне навчання; статистичні моделі; гібридні моделі; енергетичні системи
  1. Hippert, H. S., Pedreira, C. E., & Souza, R. C. (2011). Neural networks for short-term load forecasting: A review and evaluation. IEEE Transactions on Power Systems, 26(1), 44–55.
  2. Hong, T., Pinson, P., & Fan, S. (2020). Global energy forecasting competition 2014. International Journal of Forecasting, 36(3), 820–838.
  3. Hyndman, R. J., Liu, X. A., & Koehler, A. B. (2018). Dynamic time warping averaging of time series allows faster and more accurate classification. IEEE International Conference on Data Mining, 470–479.
  4. Rangapuram, S. S., Seeger, M. W., Gasthaus, J., Stella, L., Wang, Y., & Januschowski, T. (2021). Deep state space models for time series forecasting. Advances in Neural Information Processing Systems, 31, 7785–7794.
  5. Salinas, D., Flunkert, V., Gasthaus, J., & Januschowski, T. (2022). DeepAR: Probabilistic forecasting with autoregressive recurrent networks. International Journal of Forecasting, 38(3), 1181–1196.
  6. Makridakis, S., Spiliotis, E., & Assimakopoulos, V. (2023). Statistical and machine learning forecasting methods: Concerns and ways forward. PLoS ONE, 13, 22–30.
  7. Koenker, R., & Bassett, G. (2019). Quantile regression. Econometrica, 46(1), 33–50.
  8. Bottieau, J., Hubert, L., Mercier, Z., Sebastien, D., & Vallee, F. (2020). Metaheuristic scheduling of the last mile in smart cities. IEEE Transactions on Smart Grid, 11(1), 16–26.
  9. Yelisieieva, O. K., Hrynko, A. P., & Velyhura, A. V. (2022). Prohnozuvannia enerhospozhyvannia promyslovykh pidpryiemstv za dopomohoiu hlybynnykh neironnykh merezh [Forecasting of energy consumption of industrial enterprises using deep neural networks]. Visnyk KhNURE - Bulletin of KNURE, 4, 56–64. [in Ukrainian].
  10. Kyrylenko, O. V., Blinov, I. V., & Parus, Ye. V. (2022). Metody prohnozuvannia rezhymiv elektrospozhyvannia v umovakh enerhorynku Ukrainy [Methods for forecasting electricity consumption modes in the conditions of the energy market of Ukraine]. Tekhnichna elektrodynamika - Technical Electrodynamics, 3, 59–67. [in Ukrainian].
  11. Blinov, I. V., & Parus, Ye. V. (2022). Zastosuvannia ansamblevykh metodiv prohnozuvannia elektrospozhyvannia v umovakh nevyznachenosti [Application of ensemble methods for electricity consumption forecasting under uncertainty]. Pratsi Instytutu elektrodynamiky NAN Ukrainy - Proceedings of the Institute of Electrodynamics of the National Academy of Sciences of Ukraine, 60, 5–13. [in Ukrainian].
  12. Tereshchenko, T. O., Yamnenko, Yu. S., & Klepach, L. Ye. (2021). Intehrovana systema prohnozuvannia ta upravlinnia rezhymamy elektrospozhyvannia [Integrated system for forecasting and managing electricity consumption modes]. Elektronika ta zviazok - Electronics and Communication, 95(4), 17–25. [in Ukrainian].
  13. Mysliuk, Yu. V., & Panchenko, V. M. (2021). Prohnozuvannia navantazhennia dlia malykh enerhetychnykh system z vidnovliuvanymy dzherelamy enerhii [Load forecasting for small energy systems with renewable energy sources]. Vidnovliuvana enerhetyka - Renewable Energy, 1, 26–34. [in Ukrainian].

https://doi.org/10.33744/2308-6645-2025-1-60-098-104