Детальная информация

В работе исследуется создание системы, направленной на прогнозирование и управление потреблением электроэнергии с применением алгоритмов машинного обучения, а также разработка удобного пользовательского интерфейса для мониторинга и анализа данных. Особое внимание уделено анализу эффективности моделей, таких как CatBoost и SARIMA, с точки зрения точности прогнозирования и их интеграции в графический интерфейс. В ходе выполнения работы проведен обзор теоретических основ машинного обучения и их применения в энергетике, проанализированы данные энергопотребления, выполнена их подготовка, проведены эксперименты по сравнению моделей прогнозирования, разработан графический интерфейс с использованием библиотек tkinter и matplotlib. Также было проведено тестирование системы, включая оценку производительности интерфейса и точности прогнозов. Результаты работы демонстрируют возможность эффективного использования методов машинного обучения для прогнозирования энергопотребления в промышленных условиях, а также удобство применения разработанного графического интерфейса для мониторинга и управления. В заключении выпускной квалификационной работы предложены рекомендации по улучшению функциональности и безопасности системы, включая интеграцию с IoT и внедрение уведомлений в реальном времени, что способствует повышению её практической ценности.

This thesis focuses on the creation of a system aimed at forecasting and managing electricity consumption through the application of machine learning techniques, alongside the development of a user-friendly graphical interface for data monitoring and analysis. Particular attention is given to evaluating the effectiveness of models such as CatBoost and SARIMA in terms of forecasting accuracy and their integration into the graphical user interface. During the course of this work, a review of the theoretical foundations of machine learning and its applications in the energy sector was conducted, energy consumption data was analyzed and prepared, experiments comparing forecasting models were performed, and a graphical user interface was developed using the tkinter and matplotlib libraries. Additionally, the system underwent testing to assess the performance of the interface, the accuracy of the forecasts, as well as its security and functionality. The results of the work demonstrate the potential for effectively applying machine learning methods to forecast energy consumption in industrial settings, as well as the convenience of using the developed graphical user interface for monitoring and management purposes. The conclusion of the thesis provides recommendations for enhancing the systems functionality and security, including integration with IoT, data encryption, and the mplementation of real-time notifications, thereby increasing its practical value and reliability.

• ВВЕДЕНИЕ
• 1 История развития и обзор методов машинного обучения
  • 1.1 Задачи машинного обучения
  • 1.2 Основные алгоритмы машинного обучения: обзор и применение
  • 1.3 Основные парадигмы машинного обучения
  • 1.4 Этапы построения модели машинного обучения
  • 1.5 Применение машинного обучения в энергетике
  • 1.6 Градиентный бустинг: принципы работы и применение
  • 1.7 Развитие методов предиктивной аналитики
  • 1.8 Применение методов предиктивной аналитики в электроэнергетике
  • 1.9 Обзор частотных методов: основные понятия и классификация
• 2 Работа с данными и проведение экспериментов
  • 2.1 Описание исходных данных
  • 2.2 Подготовка данных
  • 2.3 Проведение экспериментов
  • 2.4 Анализ результатов
• 3 Разработка графического пользовательского интерфейса (GUI)
  • 3.1 Требования к GUI
  • 3.2 Описание структуры GUI
  • 3.3 Реализация GUI
  • 3.4 Тестирование и оценка работы GUI
  • 3.5 Рекомендации по улучшению функциональности и безопасности системы
• ЗАКЛЮЧЕНИЕ
• СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
  • ПРИЛОЖЕНИЕ А
  • ПРИЛОЖЕНИЕ Б