ПРИМЕНЕНИЕ АНСАМБЛЕВЫХ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ КРАТКОСРОЧНОГО ПРОГНОЗИРОВАНИЯ ЭЛЕКТРОПОТРЕБЛЕНИЯ В СИСТЕМАХ «УМНОГО ГОРОДА»

APPLICATION OF ENSEMBLE MACHINE LEARNING METHODS FOR SHORT-TERM ELECTRICITY CONSUMPTION FORECASTING IN SMART CITY SYSTEMS

Kesya Maria Sergeevna

student, Department of Information Systems and Technologies, Volga Region State University of Telecommunications and Informatics,

Russia, Samara

Levashkin Sergey Pavlovich

Scientific Director, PhD in Physics and Mathematics, Associate Professor, Associate Professor of the IS Department, Volga Region State University of Telecommunications and Informatics,

Russia, Samara

АННОТАЦИЯ

Статья посвящена решению актуальной задачи оптимизации распределения энергетических ресурсов в рамках концепции «Умный город» (Smart City). Авторами исследуется применимость современных ансамблевых алгоритмов машинного обучения для краткосрочного прогнозирования нагрузки на муниципальные электрические сети. В качестве объекта исследования выступают агрегированные почасовые данные энергопотребления жилого района. Проведено сравнительное тестирование трех подходов: случайного леса, градиентного бустинга и адаптивного нейро-нечеткого вывода. На основе расчетных метрик ошибок (MAE, RMSE) доказано преимущество использования алгоритма LightGBM при обработке нелинейных временных рядов с выраженной суточной и недельной сезонностью.

ABSTRACT

The article is devoted to solving the urgent problem of optimizing the distribution of energy resources within the "Smart City" concept. The authors investigate the applicability of modern ensemble machine learning algorithms for short-term forecasting of the load on municipal electrical networks. Aggregated hourly power consumption data of a residential area are used as the object of research. Comparative testing of three approaches was carried out: random forest, gradient boosting, and adaptive neuro-fuzzy inference. Based on the calculated error metrics (MAE, RMSE), the advantage of using the LightGBM algorithm in processing nonlinear time series with pronounced daily and weekly seasonality is proved.

Ключевые слова: машинное обучение, умный город, прогнозирование энергопотребления, LightGBM, случайный лес, временные ряды, энергоэффективность.

Keywords: machine learning, smart city, power consumption forecasting, LightGBM, random forest, time series, energy efficiency.

Введение

Развитие современной городской инфраструктуры неразрывно связано с внедрением интеллектуальных технологий управления (Smart City). Одной из ключевых подсистем «умного города» является интеллектуальная энергетическая сеть (Smart Grid). Традиционные методы планирования энергетической нагрузки, опирающиеся на усредненные исторические показатели и классический регрессионный анализ, не способны оперативно реагировать на резкие изменения погодных условий, социальные факторы и пиковые нагрузки. Ошибки в прогнозировании приводят либо к избыточной генерации и финансовым потерям, либо к перегрузке подстанций и аварийным отключениям. В связи с этим возникает необходимость внедрения гибких прогностических моделей на базе машинного обучения (Machine Learning), способных адаптироваться к изменяющимся внешним факторам в режиме реального времени.

Анализ современных подходов к прогнозированию

В существующих исследованиях для прогнозирования временных рядов электропотребления часто применяются модели авторегрессии и интегрированного скользящего среднего (ARIMA). Однако данные модели демонстрируют высокую точность только на стабильных, линейных рядах без резких колебаний. Использование глубоких нейронных сетей (например, архитектур LSTM) обеспечивает высокую точность, но требует значительных вычислительных мощностей и длительного времени обучения, что ограничивает их применение в локальных автоматизированных системах управления. Наиболее перспективным компромиссом между скоростью работы и точностью аппроксимации нелинейных функций сегодня являются ансамблевые методы деревьев решений, в частности градиентный бустинг.

Описание экспериментальных данных и предобработка

Для проведения вычислительного эксперимента использовался набор данных, содержащий почасовые замеры энергопотребления (в МВт) крупного жилого массива за период с 1 января 2024 года по 31 декабря 2025 года. Исходный вектор признаков был расширен за счет извлечения календарных данных и интеграции метеорологических параметров:

• Временные предикторы: час суток, день недели, бинарный признак выходного/праздничного дня.
• Метеорологические предикторы: температура воздуха (°C), относительная влажность (%), скорость ветра (м/с).
• Лаговые переменные: значения энергопотребления за предшествующие 1, 2 и 24 часа.

Перед обучением моделей было выполнено заполнение единичных пропущенных значений методом линейной интерполяции и проведено масштабирование признаков (MinMax MinMax normalization).

Результаты моделирования

В рамках исследования было проведено сравнительное обучение трех алгоритмов: Random Forest (RF), XGBoost и LightGBM. Оценка качества прогноза осуществлялась на независимой тестовой выборке (объемом 20% от общего массива данных) с помощью метрик средней абсолютной ошибки (MAE) и среднеквадратической ошибки (RMSE).

Таблица 1.

Метрики эффективности исследуемых алгоритмов машинного обучения

На основе полученных данных (Таблица 1) установлено, что алгоритм LightGBM показал наилучшие результаты по всем целевым метрикам. Ошибка MAE снизилась на 32% по сравнению с моделью случайного леса. Важным преимуществом LightGBM является высокая скорость обучения (1,1 секунды), что делает возможным его интеграцию в системы граничных вычислений (Edge Computing) для оперативного пересчета прогнозов при резком изменении погоды.

Заключение

В работе успешно реализован и протестирован подход к краткосрочному прогнозированию энергопотребления с использованием ансамблевых методов машинного обучения. Экспериментально доказано, что учет метеорологических факторов и календарной сезонности в рамках модели LightGBM позволяет достичь высокой точности прогноза, достаточной для практического применения в диспетчерских пунктах «умных городов». Внедрение разработанного подхода позволит снизить эксплуатационные расходы энергосбытовых компаний и минимизировать риски перегрузки сетевой инфраструктуры.

Список литературы:

1. Соколов, А. А. Интеллектуальные энергосистемы Smart Grid в структуре цифрового города / А. А. Соколов // Информационные технологии в управлении. – 2024. – Т. 12, № 3. – С. 112–119.
2. Тюрин, И. В. Применение алгоритмов градиентного бустинга для анализа временных рядов / И. В. Тюрин, Д. М. Петров // Компьютерное моделирование и ИТ. – 2025. – № 1. – С. 45–51.
3. Chen, T. XGBoost: A Scalable Tree Boosting System / T. Chen, C. Guestrin // Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. – 2016. – P. 785–794.