ОЦІНКА І ВИБІР МОДЕЛІ-ЧЕМПІОНА У ЗАДАЧАХ АДАПТАЦІЇ МОДЕЛЕЙ ПРОГНОЗУВАННЯ РІВНЯ СПОЖИВАННЯ ЕЛЕКТРОЕНЕРГІЇ У SMART GRID
DOI:
https://doi.org/10.32782/2220-8674-2026-16-1-19Ключові слова:
edge computing, machine learning, microgrids, energy consumption forecasting, TensorFlow LiteАнотація
У статті запропоновано модель оцінки та вибору моделі-чемпіона у задачах адаптації моделей прогнозування рівня споживання електроенергії до умов експлуатації кінцевим споживачем. Модель було перевірено у рамках прототипу інформаційної технології з використанням LSTM-моделі прогнозування. Експеримент проведено на реальних даних про погодинне споживання електроенергії домогосподарством за 8 місяців. У процесі інкрементального навчання було сформовано пул моделей-кандидатів і за допомогою запропонованої моделі на кожному із вікон оцінки було обрано модель-чемпіона з найкращою якістю прогнозів. Це дозволило провести адаптацію моделі прогнозування і покращити RSME на 35.3 % у порівнянні із початковою моделлю, що підтвердило ефективність запропонованої моделі оцінки та вибору моделі-чемпіона
Посилання
Comparison of short-term forecasting methods of electricity consumption in microgrids / Y. V. Parfenenko та ін. Radio electronics, computer science, control. 2023. № 1. С. 14. DOI: https://doi.org/10.15588/1607-3274-2023-1-2
Bayram F., Ahmed B. S., Kassler A. From concept drift to model degradation: an overview on performanceaware drift detectors. Knowledge-Based systems. 2022. Т. 245. С. 108632. DOI: https://doi.org/10.1016/j.knosys.2022.108632
Deterioration of electrical load forecasting models in a smart grid environment / A. Azeem та ін. Sensors. 2022. Т. 22, № 12. С. 4363. DOI: https://doi.org/10.3390/s22124363
Abulibdeh A., Zaidan E., Jabbar R. The impact of COVID-19 pandemic on electricity consumption and electricity demand forecasting accuracy: Empirical evidence from the state of Qatar. Energy strategy reviews. 2022. С. 100980. DOI: https://doi.org/10.1016/j.esr.2022.100980
Power system load forecasting using mobility optimization and multi-task learning in COVID-19 / J. Liu та ін. Applied energy. 2022. Т. 310. С. 118303. DOI: https://doi.org/10.1016/j.apenergy.2021.118303
Obst D., de Vilmarest J., Goude Y. Adaptive methods for short-term electricity load forecasting during COVID-19 lockdown in france. IEEE transactions on power systems. 2021. Т. 36, № 5. С. 4754–4763. DOI: https://doi.org/10.1109/tpwrs.2021.3067551 (дата звернення: 26.03.2026).
Wee C. K., Nayak R. Adaptive load forecasting using reinforcement learning with database technology. Journal of information and telecommunication. 2019. Т. 3, № 3. С. 381–399. DOI: https://doi.org/10.1080/24751839.2019.1596470
AI governance in the system development life cycle / S. Laato та ін. CAIN ‘22: 1st conference on AI engineering – software engineering for AI, м. Pittsburgh Pennsylvania. New York, NY, USA, 2022. DOI: https://doi.org/10.1145/3522664.3528598
Комін А. С., Бойко О. В. Прогнозування енергоспоживання у мікромережах: оцінка конвертованих моделей. Вісник Херсонського національного технічного університету. 2025. Т. 2, № 1(92). С. 84–92. DOI: https://doi.org/10.35546/kntu2078-4481.2025.1.2.12
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
