Повышение эффективности почасового прогнозирования электропотребления с помощью моделей машинного обучения на примере Иркутской энергосистемы. Часть 2

36

энергоснабжение

Повышение эффективности 

почасового прогнозирования 

электропотребления с помощью 

моделей машинного обучения 

на примере Иркутской 

энергосистемы. Часть 2

*

УДК 621.311:004.855 

Томин Н.В.,

к.т.н., старший научный сотрудник, 

заведующий лабораторией управления 

функционированием электроэнергетических 

систем ИСЭМ СО РАН

Корнилов В.Н.,

заместитель главного диспетчера по режиму 

филиала АО «СО ЕЭС» — Иркутское РДУ

Курбацкий В.Г.,

д.т.н., профессор, главный научный сотрудник 

ИСЭМ СО РАН

Ключевые слова:

прогнозирование, электропотребление, 

электроэнергетическая система, машинное 

обучение, глубокие рекуррентные нейросети

Решение задачи почасового прогнозирования электропотребления (ЭП) зна

-

чительно усложняется при постоянном действии различных «нерегулярных» 

эффектов (метеофакторы, тяговая нагрузка, праздники, плохие данные и пр.), 

влияние которых в региональных диспетчерских управлениях (филиалах 

АО «СО ЕЭС») пытаются нивелировать фактически в ручном режиме, полага

-

ясь на эмпирический опыт сотрудников. Такой подход часто приводит к уве

-

личению ошибок суточного прогноза ЭП и, как следствие, дополнительным 

издержкам для АО «СО ЕЭС». В статье предлагается методология повышения 

эффективности почасового прогноза ЭП на базе моделей машинного обуче

-

ния, позволяющая автоматизировать задачу коррекции моделей и повысить 

точность прогноза, прежде всего в условиях действия «нерегулярных» эффек

-

тов. Эффек тивность предложенного подхода продемонстрирована на примере 

реальных данных района Восточных электрических сетей Иркутской ЭЭС. Ре

-

зультаты прогноза на базе моделей машинного обучения сравниваются с дан

-

ными корпоративного программного обеспечения, используемого АО «СО ЕЭС». 

В 

первой  части  данной  статьи  [1]  была  рас-

смотрена  постановка  задачи  почасового 

электропотребления  (ЭП)  на  основе  опыта 

филиалов  АО  «СО  ЕЭС»  региональными 

диспетчерскими  управлениями  (РДУ)  с  применени-

ем корпоративного программного обеспечения «Про-

граммное обеспечение иерархической системы про-

гнозирования  ЭП  для  планирования  режимов  ЕЭС» 

(ПО  ИСП),  разработанной  ООО  «Энергостат»  [2,  3]. 

Были  выделены  основные  проблемы  при  решении 

данной задачи, прежде всего связанные c влиянием 

постоянно  действующих  «нерегулярных»  эффектов 

(метеофакторы, тяговая нагрузка, праздники, плохие 

данные и пр.), которые часто корректируются диспет-

черским центром в ПО ИСП в «ручном режиме». Так-

же был проведен всесторонний аналитический обзор 

современных методов краткосрочного прогнозирова-

ния электропотребления (КПЭП). По результатам об-

зора было показано, что эффективным решением при 

автоматизации и повышении точности прогноза КПЭП 

могут быть модели на основе алгоритмов машинного 

обучения, прежде всего градиентного бустинга и глу-

боких  нейросетей  с  долгой  краткосрочной  памятью 

(англ. Long Short-Term Memory, LSTM).

* Часть 1 — 

в журнале «ЭЛЕКТРОЭНЕРГИЯ. 

Передача и распределение»

 № 6(69), 2021.

37

обработки данных, блок выбора эталонной модели 

классического  машинного  обучения  и  блок  обуче-

ния  и  тестирования  LSTM.  Вследствие  того,  что 

цель нашего исследования — это повышение эф-

фективности решения задачи КПЭП, мы также вво-

дим в эту схему модель прогнозирования на осно-

ве корпоративного ПО ИСП, широко используемой 

в настоящий момент всеми РДУ «СО ЕЭС». Други-

ми словами, цель работы заключается в разработ-

ке  такой  модели  (моделей)  машинного  обучения, 

которая бы обеспечивала более высокую степень 

автоматизации и точность прогноза по сравнению 

с моделью ПО ИСП.

  1.  Краткая характеристика

этапов методологии 

Первый  этап  обработки  начинается  с  объедине-

ния данных о потреблении электроэнергии с погод-

ными данными и временными лагами, а также дру-

Рис. 1. Общая диаграмма исследования моделей машинного обучения для КПЭП по данным Иркутского РДУ

Во  второй  части  статьи  авторы  предлагают  ме-

тодологию  повышения  эффективности  КПЭП  при 

наличии постоянно действующих нерегулярных эф-

фектов на основе процедуры бенчмаркинга, которая 

позволяет  выбирать  и  настраивать  эффективные 

модели  машинного  обучения  для  конкретных  усло-

вий решения задачи КПЭП. 

МЕТОДОЛОГИЯ ПОЧАСОВОГО 

ПРОГНОЗИРОВАНИЯ 

ЭЛЕКТРОПОТРЕБЛЕНИЯ НА БАЗЕ 

МАШИННОГО ОБУЧЕНИЯ

В этом разделе описан предлагаемый методологи-

ческий процесс для исследования эффективности 

моделей машинного обучения в задаче КПЭП, ко-

торый структурно может быть представлен в виде 

блок-схемы  (рисунок  1).  Этот  процесс  можно  рас-

сматривать как структуру из трех блоков обработ-

ки,  а  именно:  блок  подготовки  и  предварительной 

№ 1 (70) 2022

38

ЭНЕРГОСНАБЖЕНИЕ

гими  возможными  зависимыми  параметрами  (день 

недели, маркер праздников и пр.). Затем выполняет-

ся предварительная обработка данных для провер-

ки нулевых значений и выбросов, масштабирования 

данных до заданного диапазона и разделения дан-

ных временного ряда на обучающие и тестовые под-

множества, сохраняя при этом временной порядок. 

Этот шаг направлен на подготовку и очистку данных 

для дальнейшего анализа.

На  втором  этапе  обработки  в  рамках  предло-

женного  процесса  посредством  процедуры  кросс-

валидации  выбирается  эталонная  модель  про-

гнозирования  из  классических  моделей,  которые 

себя  хорошо  зарекомендовали  в  задаче  КПЭП. 

На основе проведенного обзора последних иссле-

дований  это  модели  многослойного  персептрона, 

машины  опорных  векторов,  градиентного  бустин-

га (XGBoost, LightGBM, CatBoost), случайного леса 

(Random Forest), экстра деревьев (Extra Trees). Ос-

новным критерием выбора эталонной модели явля-

ются  лучшая  автоматизация  и  точность  КПЭП  как 

по сравнению с моделями машинного обучения, так 

и с ПО ИСП. 

На третьем этапе выполняемого процесса тести-

руется несколько моделей LSTM с различными кон-

фигурациями моделей, такими как количество слоев, 

количество нейронов в каждом слое, эпох обучения, 

типа оптимизатора и т.д. Модели LSTM также срав-

ниваются с эталонной моделью, полученной на вто-

ром  этапе,  по  критерию  автоматизации  и  точности 

прогноза ЭП. 

  2.  Подготовка и предварительная 

обработка данных

На втором и третьем этапах задача КПЭП реша-

ется в разных постановках. В первом случае решает-

ся задача восстановления регрессии, то есть когда 

прогнозируемая  переменная  зависит  от  нескольких 

независимых  переменных,  природа  которых  может 

быть различна. В нашем случае прогнозируемая пе-

ременная — это будущее ЭП, а независимые пере-

менные  —  временные  лаги  ЭП,  температура,  день 

недели и индикатор праздничного дня. На третьем же 

этапе при обучении и тестировании моделей LSTM 

выполняется  прогнозирование  временного  ряда, 

схожее  с  классическими  методами  Бокса-Дженкин-

са, когда независимые переменные не используют-

ся.  Прогнозирование  будущих  значений  опирается 

только на историю предыдущих значений временно-

го ряда, то есть только на данные ЭП. 

Предварительная  обработка  данных  —  крайне 

важный  шаг  для  повышения  производительности 

и точности машинного обучения, а также моделей 

на  основе  глубокого  обучения.  Данные  разделя-

ются на обучающий и тестовый наборы. Тестовые 

данные используются для оценки точности предло-

женной модели прогнозирования и не применяются 

на этапе обучения. Стандартная практика для раз-

деления  данных  выполняется  с  использованием 

соотношений 80/20 или 70/30 для моделей машин-

ного  обучения.  Последние  30  процентов  набора 

данных не используются для обучения, в то время 

как модель обучается на оставшихся 70 процентах 

данных.

  3.  Выбор эталонной модели

машинного обучения

Бенчмаркинг (эталонное оценивание, англ. bench-

marking) — это сопоставительный анализ на основе 

эталонных показателей различных методологий, на-

пример,  моделей  прогнозирования  [4].  В  представ-

ленной статье в качестве выбранных нами моделей 

машинного обучения использовались: многослойный 

персептрон, машина опорных векторов, градиентный 

бустинг  (XGBoost,  LightGBM,  CatBoost),  случайный 

лес, экстра деревья. В качестве входных параметров 

для этих моделей применялся полный набор функ-

ций, включающий временные лаги ЭП, температуру 

и  переменные,  связанные  с  характеристикой  суток 

(день  недели,  рабочий/выходной  день,  обычный/

праздничный  день).  Использование  лагированных 

переменных  ЭП  в  регрессионной  модели  позволя-

ет  привлекать  различные  объемы  ретроспективных 

данных в модели прогнозирования.

  4.  Повышение эффективности 

бенчмаркинга с помощью отбора признаков 

и настройки гиперпараметров

При построении модели машинного обучения не 

всегда  понятно,  какие  из  признаков  действитель-

но  для  нее  важны  (то  есть  имеют  связь  с  целевой 

переменной),  а  какие  являются  избыточными  (или 

шумовыми). Удаление избыточных признаков позво-

ляет лучше понять данные, а также сократить время 

настройки  модели,  улучшить  ее  точность  и  облег-

чить интерпретируемость. Для решения этой задачи 

в работе использовались два метода отбора призна-

ков:  встроенные  методы  (англ.  embedded  methods) 

и обертки (англ. wrapper methods). В методе обертки 

важность  функции  оценивается  с  использованием 

алгоритма обучения, в то время как во встроенных 

методах алгоритм обучения выполняет также выбор 

функции, в которой тип функции и пространство вы-

бора параметров ищутся одновременно. Для иссле-

дуемых  моделей  машинного  обучения  эти  методы 

позволят идентифицировать как линейные, так и не-

линейные отношения между функциями и, таким об-

разом, установить как релевантные, так и избыточ-

ные функции. 

Дополнительное  использование  метода  кросс-

валидации  позволяет  выполнить  глубокий  поиск 

оптимальной  конфигурации  гиперпараметров  эта-

лонной  модели  машинного  обучения  по  заданным 

критериям такого поиска. 

  5.  Метрики для оценки

эффективности модели 

Обычно  используемые  метрики  для  оценки 

точности  прогнозов  —  это  среднеквадратичная 

ошибка (англ. root mean square error, RMSE), сред-

няя абсолютная ошибка (англ. mean absolute error, 

MAE) и средняя относительная ошибка (англ. mean 

39

absolute  percentage  error,  MAPE).  MAE  и  MAPE  — 

обычно  используемые  показатели,  представляю-

щие  собой  средние  значения  суммы  абсолютных 

разностей  между  фактическими  и  прогнозируе-

мыми значениями в абсолютных (например, в кВт) 

или относительных (%) значениях соответственно. 

RMSE — в свою очередь, эффективный показатель 

того, насколько модель хорошо «попадает» в пико-

вые значения. 

ВЫЧИСЛИТЕЛЬНЫЙ ЭКСПЕРИМЕНТ 

В нашем исследовании используется набор данных 

энергопотребления  Иркутского  РДУ  СО  ЕЭС,  кото-

рый дает нам уникальную возможность спрогнозиро-

вать следующее почасовое ЭП в МВт, содержащее 

данные  за  один  год  по  Иркутской  энергосистеме. 

Профиль ЭП за 2018 год, как показано на рисунке 2, 

следует циклическим и сезонным моделям, которые 

могут быть связаны с человеческой, промышленной 

и коммерческой деятельностью. 

Стоит  подчеркнуть,  что  для  исследования  вы-

бран  характерный  район,  не  содержащий  крупных 

промышленных  потребителей  —  район  Восточных 

электрических сетей Иркутской ЭЭС. Основной объ-

ем ЭП — это быто-

вая  и  мелкомотор-

ная  нагрузка.  Одна 

из особенностей за- 

ключается  в  том, 

что  в  этом  районе 

как  в  близком  при-

городе  г.  Иркутска 

в  последние  годы 

ведется 

активная 

жилая  малоэтажная 

застройка с преиму-

щественно  электри-

ческим  отоплением. 

Следствием  этого 

является  высокая 

зависимость ЭП рай-

она от температуры 

окружающего  воз-

духа  с  низкой  инер-

ционностью 

это-

го  процесса,  что  подтверждается  корреляционной 

мат рицей  электропотребления  (рисунок  3).  Темный 

квадрат в данном случае означает безусловную об-

ратную зависимость величин (чем больше одна ве-

личина, тем меньше другая, и наоборот), белый — 

прямую.

Для  проведения  исследований  разработано 

программное обеспечение в среде Python c привле-

чением  открытых  библиотек  машинного  обучения 

Scikit-Learn, Keras и TensorFlow. Все модели исполь-

зовали RMSE в качестве функции потерь, которую 

необходимо минимизировать. Все обучен ные моде-

ли оценивались на одном и том же наборе тестов, 

а  производительность  измерялась  с  помощью  на-

ших оценочных показателей. Результаты бенчмар-

кинга  по  основным  метрикам  визуализированы  на 

рисунках 4 и 5, где также отражены результаты про-

гноза  от  ПО  ИСП,  известные  априори  по  данным 

Иркутского РДУ СО «ЕЭС». 

Как явствует из рисунков 4 и 5, в качестве эта-

лонных моделей могут быть выбраны модели Extra 

Trees  и  CatBoost.  Поэтому  на  следующем  этапе 

был проведен анализ важных признаков с после-

дующей процедурой кросс-валидации для поиска 

Рис. 2. Почасовое ЭП района Восточных электрических сетей Иркутской области

Рис. 3. Корреляционная матрица (T_1, T_2 … — временные лаги ЭП)

№ 1 (70) 2022

40

ЭНЕРГОСНАБЖЕНИЕ

оптимальных  гиперпа-

раметров  этих  моделей 

в задаче почасового про-

гнозирования ЭП. 

На  рисунке  6  приве-

дена относительная важ-

ность  каждого  входного 

параметра.  Видно,  что 

наиболее  важными  для 

решения  поставленной 

задачи являются отдель-

ные временные лаги, та-

кие как T_24, T_23, T_12, 

T_48,  T_22.  Это  означа-

ет,  что  наибольший  вес 

для  прогнозной  модели 

имеют  ЭП  примерно  за 

12, 24 и 48 часов до про-

гнозируемого  часа.  В  то 

же  время  температу-

ра  имеет  минимальную 

важность для эталонных 

моделей, несмотря на то 

что  определена  высокая 

корреляционная 

связь 

этого  параметра  с  ЭП. 

Последнее  подтвержда-

ется  и  другими  работа-

ми,  например,  при  поча-

совом  прогнозировании 

ЭП  в  энергосистеме 

Франции по данным сис-

темного  оператора  RTE, 

где также тестировались 

модели  машинного  обу-

чения [5].

Рис. 4. Результат процедуры бенчмаркинга моделей машинного обучения для прогнозирования ЭП на 24 часа вперед

Рис. 5. Сравнение эффективности моделей машинного обучения с моделью ПО 

ИСП (Energostat) по критериям ошибок MAPE и RMSE

Рис. 6. График анализа важности входных параметров для эталонных моделей Extra 

Trees и CatBoost в задаче почасового прогноза ЭП на 24 часа вперед

41

В  таблице  1  представлены  по-

казатели  эффективности  эталон-

ных  моделей,  полученных  при 

найденных  оптимальных  гипер-

параметрах,  а  также  модели  ПО 

ИСП.  Хорошо  видно,  что  модель 

CatBoost  позволяет  получить  бо-

лее  низкие  ошибки  MAE  и  MAPE 

по сравнению с моделью ПО ИСП. 

Для визуализации эффективности 

прогноза  ЭП  на  базе  CatBoost  на 

рисунке  7  представлена  гисто-

грамма,  где  ось  X  —  различные 

значения ЭП на тестовом интерва-

ле, а ось Y — частота появления 

этих значений в данный период.

Ввиду  того  что  для  моделей 

машинного  обучения  фактически 

значимыми  являются  только  пре-

дыдущие  значения  ЭП,  для  про-

гнозирования  были  протестиро-

ваны модели глубоких нейросетей 

LSTM. В этом случае исходная вы-

борка включала только почасовые 

значения  ЭП  района  Восточных 

электрических  сетей  за  2018  год. 

Данная  выборка  была  разделена 

на обучающие и тестовые наборы 

с  использованием  соотношения 

70% и 30% соответственно.

В  процессе  автоматической 

настройки  модели  LSTM  наи-

лучшие  результаты  прогноза  ЭП 

были  получены  при  использо-

вании  шести  скрытых  слоев,  со-

держащих 100, 60 и 50 нейронов. 

Количество использованных эпох 

обучения составляло 150 при раз-

мере партии 125 обучающих при-

Табл. 1. Результаты глубокой настройки

лучших моделей соревнования в результате кросс-валидации

Метрика

Extra Trees

CatBoost

ПО ИСП

до

настройки

после

настройки

до

настройки

после

настройки

MAE, МВт

6,50

6,48

6,55

6,00

6,33

RMSE, %

9,75

9,51

9,02

8,39

8,33

MAPE, %

4,01

3,77

4,22

3,55

3,80

Рис. 7. Сравнение эффективности модели CatBoost с моделью Энергостата 

На прав

ах рек

ламы

№ 1 (70) 2022

42

ЭНЕРГОСНАБЖЕНИЕ

меров.  Для  нашей  задачи  функ-

ция  активации  типа  линейный 

выпрямитель (англ. rectified linear 

unit,  ReLU)  «сработала»  лучше 

всего  и  поэтому  использовалась 

как  функция  активации  для  каж-

дого из скрытых слоев. Среди оп-

тимизаторов  адаптивная  оценка 

момента  (англ.  adaptive  moment 

estimation,  ADAM)  показала  луч-

шие результаты и обеспечила бо-

лее быструю сходимость, чем тра-  

диционный  стохастический  гра-

диентный спуск. 

Результаты  прогноза  ЭП  на 

24  часа  вперед  на  базе  LSTM 

сравнивались с моделью ПО ИСП 

для  тестового  месячного  интер-

вала  (рисунок  8,  таблица  2).  Хо-

рошо видно, что модель LSTM по 

основной  метрике  MAPE  позво-

ляет  практически  вдвое  уточнить 

краткосрочный  прогноз.  Из  рисун-

ка  хорошо  видно,  что  нейросети 

LSTM  значительно  лучше  «попа-

дают» в пиковые значения ЭП, не-

жели модели ПО ИСП.  

ВЫВОДЫ 

1.  Предложена  методология  повышения  эффек-

тивности КПЭП при наличии постоянно действу-

ющих  нерегулярных  эффектов  (метеофакторы, 

тяговая  нагрузка,  праздничные  дни,  «плохие» 

данные и пр.) 

2.  Для  повышения  эффективности  КПЭП  разра-

ботан  подход  и  соответствующее  ПО  в  среде 

Python  на  основе  современных  моделей  ма-

шинного обучения, в том числе моделей гради-

ентного бустинга (XGBoost, LightGBM, CatBoost) 

и  рекуррентных  нейросетей  типа  LSTM.  Основ-

ным  инструментом  предложенного  подхода  яв-

ляется  процедура  бенчмаркинга,  позволяющая 

выполнить сопоставительный анализ на основе 

эталонных показателей различных моделей про-

гнозирования.

3.  Результаты  экспериментальных  исследований 

по данным филиала АО «СО ЕЭС» — Иркутское 

РДУ  показали,  что  применение  предложенного 

подхода  для  района  Восточных  электрических 

сетей Иркутской области обеспечивает повыше-

ние  точности  прогноза  почасового  ЭП  на  сутки 

вперед по сравнению с корпоративным ПО ИСП. 

При этом модель рекуррентной нейросети LSTM 

позволяет практически вдвое снизить среднюю 

относительную  ошибку  MAPE  по  сравнению 

c результатом ПО ИСП.    

ЛИТЕРАТУРА / REFERENCES
1.  Томин  Н.В.,  Корнилов  В.Н.,  Кур-

бацкий В.Г. Повышение эффектив-

ности почасового прогнозирования 

электропотребления  с  помощью 

моделей  машинного  обучения  на 

примере  Иркутской  энергосисте-

мы.  Часть  1  //  ЭЛЕКТРОЭНЕР-

ГИЯ.  Передача  и  распределение, 

2021, № 6(69). С. 44–50.

  Tomin  N.V.,  Kornilov  V.N.,  Kur bat-

sky  V.G.  Increasing  the  efficiency 

of  hourly  load  forecasting  using 

machine learning techniques on the 

example of the Irkutsk energy state 

system.  Part  1  // 

ELEKTROENER

-

GIYA.  Peredacha  i  raspredeleniye

[ELECTRIC  POWER.  Transmission 

and  Distribution],  2021,  no.  6(69), 

pp. 44-50. (In Russian)

2.   Макоклюев  Б.И.  Особенности 

и тенденции потребления электро-

энергии  в  энергосистемах  России 

//  Энергия  Единой  Сети,  2017, 

№ 5(34). С. 64–76.

  Makoklyuev  B.I.  Peculiarities  and 

trends of power consumption in Rus-

sian power systems // 

Energiya Yedi

-

noy Seti 

[Unified Grid Energy], 2017, 

no. 5(34), pp. 64-76. (In Russian)

3.  Макоклюев  Б.И.  Анализ  и  плани-

рование  электропотребления.  М.: 

Энергоатомиздат, 2008. 296 с.

  Makoklyuev B.I. Power consumption 

study  and  planning.  Moscow, 

Energoatomizdat Publ., 2008. 296 p. 

(In Russian)

4.  Marino  D.L.,  Amarasinghe  K.,  Ma- 

nic  M.  Building  energy  load  fore-

casting  using  Deep  Neural  Net-

works.  In  Proceedings  of  the 

IECON 42nd Annual Conference of 

the IEEE Industrial Electronics So-

ciety, Florence, Italy, 23-26 October 

2016, pp. 7046-7051.

5.  Bouktif  S.,  Fiaz A.,  Ouni A.,  Serha-

ni  M.A.  Optimal  Deep  Learning 

LSTM Model for Electric Load Fore-

casting using Feature Selection and 

Genetic Algorithm: Comparison with 

Machine  Learning Approaches.  En-

ergies, 2018, vol. 11, p. 1636.

Табл. 2. Результаты сравнения прогнозов ЭП моделей LSTM и ПО ИСП

Метрика

Модель

Метрика

Модель

LSTM

ПО ИСП

LSTM

ПО ИСП

MAE, МВт

3,87

6,81

MAPE, %

1,44

2,51

RMSE

2,27

2,93

R

2

*

0,995

0,989

* Коэффициент детерминации R

2

 изменяется от 0 до 1, чем ближе значение коэффи

-

циента к 1, тем сильнее зависимость. Для прогнозных моделей это интерпретиру

-

ется как соответствие модели данным, то есть чем ближе к 1, тем лучше прогноз.

Рис. 8. Прогноз электропотребления для тестового периода на базе 

обучен ной модели нейросети LSTM и модели ПО ИСП (Энергостат)