Details

Данная работа посвящена исследованию современных алгоритмов прогнозирования временных рядов и использованию их с целью разработки эффективного подхода в прогнозировании энергопотребления промышленных предприятий, для увеличения эффективности использования электроэнергии, а также облегчения процесса введения и эксплуатации возобновляемых источников энергии. Задачи, которые решались в ходе исследования: 1. Анализ доступных алгоритмов машинного обучения, позволяющих прогнозировать временные ряды. 2. Предварительная оценка качества прогнозирования доступных алгоритмов 3. Разработка модели машинного обучения, используя выбранный алгоритм № 1. 4. Разработка модели машинного обучения, используя выбранный алгоритм № 2. 5. Выполнение прогнозирования временных рядов, основываясь на данных энергопотребления промышленного производства, используя разработанные модели. 6. Оценка полученных результатов, сравнение точности прогнозирования разработанных моделей. Используя полученные данные энергопотребления, были разработаны две регрессионные модели, способные прогнозировать временные ряды. Первая модель использует библиотеку XGBoost, вторая модель основана на библиотеке Prophet. В работе производится сравнение данных моделей, поскольку модели используют разные принципы прогнозирования временных рядов. Полученные модели использовались для прогнозирования энергопотребления выбранного предприятия. Выполнена визуализация работы моделей, с целью демонстрации различий моделей и видимых отклонений прогнозируемых значений от действительных. Результат работы представляет собой оценку разработанных моделей, а также оценку точности прогнозирования временных рядов, проводимой с помощью выбранных алгоритмов. Для достижения полученных результатов в работе использовались следующие информационные технологии: язык программирования Python. Библиотеки для работы с временными рядами: pandas, numpy. Фреймворки, позволяющие разрабатывать модели машинного обучения: XGBoost, Prophet, sklearn. Библиотеки для визуализации полученных значений: matplotlib, seaborn.

This thesis is devoted to the study of modern time series forecasting algorithms and their use to develop an effective approach to forecasting energy consumption by industrial enterprises, to increase the efficiency of electricity use, and to facilitate the introduction and operation of renewable energy sources. The tasks that were solved during the research: 1. Analysis of available machine learning algorithms that allow time series forecasting. 2. Preliminary assessment of the forecasting quality of available algorithms 3. Development of a machine learning model using the selected algorithm № 1. 4. Development of a machine learning model using the selected algorithm № 2. 5. Forecasting time series based on industrial energy consumption data using the developed models. 6. Evaluation of the results obtained, comparison of the forecasting accuracy of the developed models. Using the obtained energy consumption data, two regression models capable of forecasting time series were developed. The first model uses the XGBoost library, while the second model is based on the Prophet library. The paper compares the data of these models, as they use different principles for forecasting time series. The models obtained were used to forecast the energy consumption of the selected enterprise. The models were visualised to demonstrate the differences between the models and the visible deviations of the predicted values from the actual ones. The result of the work is an evaluation of the developed models, as well as an assessment of the accuracy of time series forecasting using the selected algorithms. To achieve the results obtained, the following information technologies were used in the work: Python programming language. Libraries for working with time series: pandas, numpy. Frameworks for developing machine learning models: XGBoost, Prophet, sklearn. Libraries for visualising the obtained values: matplotlib, seaborn.