Прогнозирование электропотребления на основе метода главных компонент (PCA)

Abstract

Актуальность исследования обусловлена необходимостью точного прогнозирования потребления электроэнергии для повышения эффективности и снижения затрат на промышленных предприятиях, что приводит к повышению конкурентоспособности товаров, производимых предприятием. Традиционные методы прогнозирования часто не учитывают сложные взаимодействия между различными факторами, влияющими на потребление энергии, и не обеспечивают необходимую точность прогнозов. Метод анализа главных компонеНТ открывает многообещающую перспективу - уменьшение объема обрабатываемых данных (размерности) без значительной потери информации, что упрощает прогнозные модели при сохранении их точности. Целью исследования является разработка точной и эффективной модели прогнозирования электропотребления на промышленных предприятиях с использованием метода анализа главных компонеНТ. Эта модель направлена на устранение ограничений, характерных для традиционных подходов к прогнозированию, путем уменьшения размерности данных и повышения точности предсказаний, что в конечном итоге позволяет повысить эффективность потребления электроэнергии и снизить финансовые затраты, в том числе из-за ошибок в прогнозировании. Методы: метод анализа главных компонеНТ, позволивший уменьшить объем обрабатываемх данных (размерность) путем преобразования большого набора коррелированных переменных в меньший набор некоррелированных главных компонент. Исследование включает следующие этапы: импорт данных и факторный анализ, построение корреляционной матрицы, анализ выбранных и накопленных дисперсий для каждого фактора, построение матрицы факторных нагрузок, уменьшение размерности, разработка математической модели с использованием линейной регрессии и установка и валидация прогноза. Результаты. Применение метода главных компонент позволило создать модель прогнозирования электропотребления. Ее применение показало, что первая главная компонента объясняет 69,65 % общей дисперсии, вторая компонента - 17,28 %, т. е. в совокупности они объясняют почти 87 % дисперсии. Разработанная модель обеспечивает хорошее совпадение фактических и прогнозных значений электропотребления в нескольких временных интервалах со средним уровнем ошибки в пределах от +3 до -5 %. Это указывает на пригодность модели для прогнозирования электропотребления, хотя некоторые расхождения указывают на необходимость дальнейшего ее совершенствования

Relevance. The need for accurate forecasting of electricity consumption to improve efficiency and reduce costs at industrial enterprises, which leads to increased competitiveness of goods manufactured by the enterprise. Traditional forecasting methods often do not take into account complex interactions between various factors affecting energy consumption and do not provide the necessary forecast accuracy. The principal component analysis method offers a promising prospect - reducing the volume of processed data (dimensionality) without significant loss of information, which simplifies forecast models while maintaining their accuracy. Aim. To develop an accurate and efficient model for forecasting electricity consumption at industrial enterprises using the principal component analysis method. This model is aimed at eliminating the limitations of traditional forecasting approaches by reducing data dimensionality and increasing the accuracy of predictions, which ultimately improves the efficiency of electricity consumption and reduces financial costs, including those due to forecasting errors. Methods. The principal component analysis method, which allows us to reduce the volume of processed data (dimensionality) by transforming a large set of correlated variables into a smaller set of uncorrelated principal components. The study included the following stages: data import and factor analysis, correlation matrix construction, analysis of selected and accumulated variances for each factor, factor loading matrix construction, dimension reduction, development of a mathematical model using linear regression, and forecast installation and validation. Results. The application of the principal component analysis method allowed us to create a model for forecasting electricity consumption. Its application showed that the first principal component explains 69.65% of the total variance, the second component - 17.28%, i. e. together they explain almost 87% of the variance. The developed model provides good agreement between the actual and forecast values of electricity consumption in several time intervals with an average error level within the range of +3 to -5%. This indicates the suitability of the model for forecasting electricity consumption, although some discrepancies indicate the need for its further improvement