Wyniki wyszukiwania - BazTech

Ograniczanie wyników

1 2025

Znaleziono wyników: 1

Liczba wyników na stronie

Wyniki wyszukiwania

Wyszukiwano:
w słowach kluczowych: prognozowanie obciążenia energią elektryczną

Sortuj według:

Ogranicz wyniki do:

Intelligent Electricity Load Forecasting Method using ARIMA-LSTM-Random Forest

Aziukovskyi Oleksandr, Hnatushenko Volodymyr, Kashtan Vita, Polyanska Alla, Jamróz Andrzej

Inżynieria Mineralna

2025

Vol. 1, no. 1

123--132

The instability of energy systems caused by internal economic factors and external challenges, including geopolitical conflicts, significantly complicates the process of planning and managing energy resources. An essential tool for implementing energy-saving measures is introducing modern computer technologies, including artificial intelligence systems, in the energy sector. Intelligent technologies make it possible to use methods for predicting electrical load, including artificial intelligence algorithms. This paper proposes a combined ARIMA-LSTM-Random Forest model for forecasting electric load. The combination of the approaches allows considering both linear and nonlinear dependencies in the data, which is critical to ensure the accuracy of forecasts. Using data for the previous seven days provides enough information to identify seasonal trends and fluctuations, which makes this a promising prospect for medium-term forecasting in energy monitoring tasks. Thus, combining the ARIMA, LSTM, and Random Forest methods achieves high accuracy in forecasting electricity consumption. The proposed approach is an optimal solution since it combines the advantages of each model and compensates for their shortcomings. The proposed ARIMA-LSTM-Random Forest method significantly improved the results: MSE = 0.27, RMSE = 0.23, MAPE = 0.35%. The method minimized absolute and relative errors, confirming its advantage for this forecasting task. The results are promising for practical application in the load management of electric networks.

Niestabilność systemów energetycznych, spowodowana wewnętrznymi czynnikami ekonomicznymi i wyzwaniami zewnętrznymi, w tym konfliktami geopolitycznymi, znacząco komplikuje proces planowania i zarządzania zasobami energetycznymi. Niezbędnym narzędziem wdrażania działań na rzecz oszczędności energii jest wprowadzenie do sektora energetycznego nowoczesnych technologii komputerowych, w tym systemów sztucznej inteligencji. Technologie inteligentne umożliwiają wykorzystanie metod prognozowania obciążenia elektrycznego, w tym algorytmów sztucznej inteligencji. W niniejszym artykule zaproponowano połączony model ARIMA-LSTM-Random Forest do prognozowania obciążenia elektrycznego. Połączenie tych podejść pozwala na uwzględnienie zarównoliniowych, jak i nieliniowych zależności w danych, co jest kluczowe dla zapewnienia dokładności prognoz. Wykorzystanie danychz ostatnich siedmiu dni dostarcza wystarczających informacji do identyfikacji trendów i wahań sezonowych, co czyni to obiecującą perspektywą dla prognozowania średnioterminowego w zadaniach monitorowania energii. Zatem połączenie metod ARIMA,LSTM i Random Forest pozwala osiągnąć wysoką dokładność prognozowania zużycia energii elektrycznej. Proponowane podejściejest rozwiązaniem optymalnym, ponieważ łączy zalety każdego modelu i kompensuje ich wady. Zaproponowana metoda ARIMA--LSTM-Random Forest znacząco poprawiła wyniki: MSE = 0,27, RMSE = 0,23, MAPE = 0,35%. Metoda zminimalizowała błędybezwzględne i względne, co potwierdza jej przewagę w tym zadaniu prognostycznym. Wyniki są obiecujące pod kątem praktycznychzastosowań w zarządzaniu obciążeniem sieci elektroenergetycznych.