Ансамблевая модель прогнозирования энергопотребления на основе пространственно-временного кластерного анализа в жилых зданиях

Благодаря доступности инфраструктуры интеллектуального учета данные о потреблении электроэнергии с высоким временным разрешением широко используются для изучения динамики бытового электропотребления на детализированных пространственных и временных масштабах. Анализ данных об электропотреблении позволяет органам, формирующим политику, и владельцам зданий понять поведение потребителей в отношении спроса и потребления. Кроме того, анализ и точное прогнозирование электропотребления имеют большое значение для участия потребителей в тарифах, зависящих от времени суток, ценообразовании в периоды критических пиковых нагрузок и инициативах по управлению спросом с учетом особенностей конкретных потребителей. Наряду с существенными экономическими и экологическими последствиями, включая потери энергии и декарбонизацию энергетического сектора, точное прогнозирование потребления способствует планированию электроэнергетической системы и стабильной работе энергосети. Прогнозирование энергопотребления является активно развивающейся областью исследований; несмотря на большое количество разработанных моделей, прогнозирование электропотребления в жилых зданиях остается сложной задачей из-за высокой вариабельности поведения жильцов в сфере использования энергии. Поэтому поиск подходящей модели для точного прогнозирования электропотребления продолжается. Для решения этой задачи в статье представлена пространственно-временная ансамблевая модель прогнозирования краткосрочного электропотребления. Предлагаемый подход предусматривает исследование профилей электропотребления на уровне квартир с помощью кластерного анализа на основе алгоритма k-means. Ансамблевая модель прогнозирования включает две модели глубокого обучения: сети с долговременной краткосрочной памятью (Long Short-Term Memory, LSTM) и с управляемым рекуррентным блоком (Gated Recurrent Unit, GRU). Сначала кластеризуются исторические данные об электропотреблении на уровне квартир. Затем кластеры агрегируются в соответствии с профилями потребления пользователей. На уровне здания и этажа ансамблевые модели обучаются на агрегированных данных об электропотреблении. Предлагаемая ансамблевая модель прогнозирует электропотребление на трех пространственных уровнях — квартиры, здания и этажа — для часового, суточного и недельного горизонтов прогнозирования. Furt...