Алгоритм для прогнозирования потребления энергии

Проект был выполнен для норвежской компании, поставщика электроэнергии населению. Разработанная нами модель способна прогнозировать потребление электроэнергии на основе исторических данных. Цель проекта – оптимизация энергопотребления.

Базовая служба подачи энергии (BEAS) — это система машинного обучения (MLS) с API, в которой предоставляется бизнес-аналитика, такая как базовый уровень (обычное количество кВтч), и прогнозы для MeasuringPointID (MPID) и идентификаторов местоположения в сети (GLID).

Используя исторические данные о энергопотреблении и исторические данные о погоде, мы разработали функции, в которые были добавлены следующие параметры: количество наиболее релевантных пар значений температура-энергия, среднее значение соотношения температура-энергия для каждого часа текущего месяца и наличие национального праздника/выходного дня в конкретный день.

Мы обучали нашу модель на большом наборе данных, который включал температуру воздуха в текущий день и количество электроэнергии, потребленной в этот день. В дополнение к необработанным данным мы добавили несколько контекстных функций. В результате мы добились очень хорошей статистической репрезентативности прогнозов:

На рисунке выше представлены графики двух дискретных функций распределения на основе большого набора данных. Дискретизация основана на принципе деления всего диапазона значений на «корзины» размером 0,1 кВтч, размер которых затем рассчитывается как количество попавших в них значений из статистической выборки реальных данных (оранжевые кривая) и прогнозы (синяя кривая). Значения метрики расхождения Кульбака-Лейблера на обучающей и тестовой выборках для разных MPID находились в диапазоне [0,01, 0,05], что также свидетельствует о качественной статистической сходимости алгоритма.

Таблица и график ниже демонстрируют результат работы нашей команды.

Столбцы в таблице означают:

- Час - час, в который произошло событие.

- Наблюдения (кВтч) - количество энергии по историческим данным.

- Predictions (kWh) - количество энергии, предсказанное системой.

- MAPE (Deviation%) - отклонение. Для удобства оставлен знак «-», который указывает, было ли сделано отклонение в меньшую или большую сторону от наблюдений.

- Температура - температура воздуха.

- Datetime - дата и время

Данные из таблицы представлены на графике ниже.

Технологии, использованные для реализации проекта:

Python, sklearn, XGBoost, Django, outliers detection, PostgreSQL, Google Cloud Platform.