Синтез інтелектуального адаптивного алгоритму для автоматизованого прогнозування добового споживання електроенергії

Заголовок (англійською): 
Synthesis of an intelligent adaptive algorithm for automated forecasting of daily electricity consumption
Автор(и): 
Іносов С. В.
Бондарчук О. В.
Луценко В. Ю.
Соболевська Т. Г.
Автор(и) (англ): 
Inosov S.
Bondarchuk O.
Lutsenko V.
Sobolevska Т.
Ключові слова (укр): 
автоматизація; оптимізація; прогнозування; споживання електроенергії; вимірювання; штучний інтелект; алгоритм; комп’ютерно-інтегровані технології
Ключові слова (англ): 
Automation; optimization; forecasting; electricity consumption; adaptation; artificial intelligence; algorithm; self-learning; computer-integrated technologies
Анотація (укр): 
В останні роки різко зросла необхідність у достатньо точному короткостроковому прогнозуванні електроспоживання з метою підвищення ефективності оперативного управління і балансування енергосистеми в критичних режимах. Добове споживання електроенторгії є випадковою числовою послідовністю, у якій присутні статистичні закономірності, придатні для прогнозування послідовності наперед. У роботі синтезовано інтелектуальний адаптивний лінійний алгоритм прогнозування добового споживання електроенергії в районній електромережі (прогнозатор). Інтелектуальні можливості запропонованого алгоритму проявилися в тому, що він автоматично виявив кореляційні закономірності вхідного потоку даних споживання електричної енергії, а також крос-кореляційні залежності споживання електричної енергії від температури повітря і від дня тижня. Застосування розробленого прогнозатора також дозволило автоматично використати виявлені закономірності в даних для оптимізації стратегії прогнозування споживання електричної енергії з максимально досяжною точністю прогнозування. Результатом синтезу інтелектуального адаптивного алгоритму стала ситуація, коли похибки прогнозування набули випадкового характеру, вони стали некорельованими й набули ознак нормального розподілу. Тобто всі можливості покращити точність прогнозування були вичерпані (для наявних даних). Процес прогнозування характеризується суттєвою нестаціонарністю, що проявляється у чергуванні періодів низької середньоквадратичної похибки з моментами значного погіршення точності через епізодичні збурення. Попри це, розроблений прогнозатор оперативно коригує випадкові помилки; так, за рік груба похибка, що тривала два дні поспіль, зафіксована лише один раз. У процесі самонавчання автоматично оптимізуються 21 ваговий коефіцієнт, що є неможливим для ручного виконання.
Анотація (англ): 
In recent years, the need for sufficiently accurate short-term forecasting of electricity consumption has sharply increased to enhance the efficiency of operational management and balancing of the power system in critical modes. Daily electricity consumption is a random numerical sequence containing statistical patterns suitable for prediction. This work synthesizes an intelligent adaptive linear algorithm for predicting daily electricity consumption in a district power grid (referred to as the forecaster). The intellectual capabilities of the proposed algorithm were demonstrated by its automatic detection of correlation patterns in the input stream of electricity consumption data, as well as cross-correlation dependencies between electricity consumption, air temperature, and the day of the week. The application of the developed forecaster also enabled the automatic utilization of identified data patterns to optimize the electricity consumption forecasting strategy, achieving the highest possible accuracy. As a result of synthesizing the intelligent adaptive algorithm, the forecasting errors became random, uncorrelated, and exhibited characteristics of a normal distribution. This indicates that all opportunities to improve forecasting accuracy had been exhausted (given the available data). During the analysis, significant non-stationarity in the forecasting process was identified. There are prolonged periods when the root mean square error of forecasting is very small, but there are also moments when forecasting accuracy deteriorates significantly due to unknown episodic disturbances. However, the forecaster corrects its gross random errors as quickly as possible. Over an entire year, the forecaster made a significant error on two consecutive days only once. In the self-learning process, the forecaster automatically optimized the numerical values of the 21 weighting factors. It is impossible to perform such work manually.
Публікатор: 
Київський національний університет будівництва і архітектури
Назва журналу, номер, рік випуску (укр): 
Управління розвитком складних систем, номер 62, 2025
Назва журналу, номер, рік випуску (англ): 
Management of Development of Complex Systems, number 62, 2025
Мова статті: 
Українська
Формат документа: 
application/pdf
Документ: 
189-194.pdf
Дата публікації: 
27 Июнь 2025
Номер збірника: 
62
Розділ: 
УПРАВЛІННЯ ТЕХНОЛОГІЧНИМИ ПРОЦЕСАМИ
Університет автора: 
Київський національний університет будівництва і архітектури, Київ
Литература: 

1.     Іносов С. В., Ілларіонов В. М., Сабалаєва Н. О. Ідентифікація системи стихійного електроопалення в районній електромережі. Мехатронні системи : інновації та інжиніринг. Тези доповідей VI Міжнародної наук.-практ. конф. Київ, 2022. С. 170–171.

2.     Inosov S., Illarionov V., Sabalaeva N. Research on identification of the spontaneous electrical heating system in the district electrical network. Proceedings of the 4th International scientific and practical conference. BoScience Publisher, Boston, USA, 2022. P. 171–175. DOI: https://sci-conf.com.ua/iv-mizhnarodna-naukovo-praktichna-konferentsiya-progressive-research-in-the-modern-world-28-30-12-2022-boston-ssha-arhiv/.

3.     Іносов С. В., Корнієнко В. М., Гречуха В. В. Інтелектуальні можливості адаптивного лінійного стаціонарного прогнозуючого фільтру. Управління розвитком складних систем. КНУБА, 2014. Вип. 17. С. 173–179.

4.     Берзлев О. Ю. Сучасний стан інформаційних систем прогнозування часових рядів. Управління розвитком складних систем. КНУБА, 2013. Вип. 13. С. 112–114.

5.     Іносов С. В., Шикалов В. С. Адаптивне прогнозування енергопоспоживання. Промислова електроенергетика та електротехніка. 2001. Вип. 1. С. 44–46.

6.     Іносов С. В., Соболевська Т. Г., Самойленко М. І., Сідун К. В. Дослідження температурних збурень для систем автоматизації опалення будівель. Управління розвитком складних систем. КНУБА, 2011. Вип. 6. С. 159–161.

7.     Балюта С. М., Йовбак В. Д., Копилова Л. О., Соколова О. М. Інтелектуальне управління електроспоживанням промислового підприємства. Наукові праці Національного університету харчових технологій. Київ, 2019. № 1. Т. 25.
С. 128–138.

8.     Кучанський О. Ю., Ніколенко В. В. Прогнозування часових рядів методом співставлення зі зразком. Управління розвитком складних систем. КНУБА, 2015. Вип. 22 (1). С. 101–106.

9.     Singhal D., Swarup K. S. Electricity price forecasting using artificial neural networks. International Journal of Electrical Power and Energy Systems. 2011. Vol. 3. P. 550–555.

10.  Alfares H. K., Nazeeruddin M. Electric load forecasting: literature survey and classifcation of methods. International Journal of Systems Science. 2002. Vol. 33. P. 23–34.

References: 

1.     Inosov, S. V., Illarionov, V. M., & Sabalaeva, N. O. (2022). Identification of the spontaneous electric heating system in the district power grid. In Mechatronic Systems: Innovations and Engineering. Abstracts of the VI International Scientific and Practical Conference (pp. 170–171). Kyiv.

2.     Inosov, S., Illarionov, V., & Sabalaeva, N. (2022). Research on identification of the spontaneous electrical heating system in the district electrical network. In Proceedings of the 4th International scientific and practical conference (pp. 171–175). BoScience Publisher. https://sci-conf.com.ua/iv-mizhnarodna-naukovo-praktichna-konferentsiya-progressive-research-in-the-modern-world-28-30-12-2022-boston-ssha-arhiv/

3.     Inosov, S. V., Kornienko, V. M., & Grechukha, V. V. (2014). Intellectual capabilities of an adaptive linear stationary forecasting filter. Management of Complex Systems Development, 17, 173–179.

4.     Berzlev, O. Yu. (2013). Current state of information systems for time series forecasting. Management of Complex Systems Development, 13, 112–114.

5.     Inosov, S. V., & Shykalov, V. S. (2001). Adaptive forecasting of energy consumption. Industrial Power Engineering and Electrical Engineering, 1, 44–46.

6.     Inosov, S. V., Sobolevskaya, T. H., Samojlenko, M. I., & Sidun, K. V. (2011). Research of temperature disturbances for building heating automation systems. Management of Complex Systems Development, 6, 159–161.

7.     Balyuta, S. M., Jovbak, V. D., Kopylova, L. O., & Sokolova, O. M. (2019). Intelligent management of electricity consumption of an industrial enterprise. Scientific Works of the National University of Food Technologies, 25 (1), 128–138.

8.     Kuchanskyj, O. Yu., & Nikolenko, V. V. (2015). Time series forecasting by sample comparison method. Management of Complex Systems Development, 22 (1), 101–106.

9.     Singhal, D., & Swarup, K. S. (2011). Electricity price forecasting using artificial neural networks. International Journal of Electrical Power and Energy Systems, 3 (3), 550–555.

10.  Alfares, H. K., & Nazeeruddin, M. (2002). Electric load forecasting: Literature survey and classification of methods. International Journal of Systems Science, 33 (1), 23–34.