ПРОГНОЗИРОВАНИЕ ЭНЕРГИИ НА ОСНОВЕ ИИ И УЛУЧШЕННОЕ УПРАВЛЕНИЕ СПРОСОМ В УМНЫХ ДОМАХ

В данной статье представлена комплексная многоступенчатая система, разработанная для повышения точности прогнозов энергетической нагрузки и оценки эффективности как моделей прогнозирования, так и стратегий реагирования на спрос (DR). Используя набор данных REFIT, был проведен сравнительный анализ иерархии моделей прогнозирования, включая линейную регрессию, случайный лес, SVR, k-NN, LSTM и гибридный кодер-декодер с механизмом внимания. Результаты исследования показали, что разработанная гибридная модель кодера-декодера с механизмом внимания достигла наилучшей точности (R² = 0.91, MAPE = 2.39%), продемонстрировав отличную способность улавливать сложные временные закономерности в данных. Тщательное многоступенчатое тестирование подтвердило стабильность и высокую обобщаемость этой модели глубокого обучения. Высокоточный прогноз был встроен в модель на основе смешанного целочисленного линейного программирования (MILP) для оптимизации системы управления энергопотреблением дома (HEMS). Результаты показали, что эта комплексная структура позволила значительно сократить затраты на электроэнергию на 22.5% и снизить пиковую нагрузку на 31.8% за счет оптимального планирования работы бытовых приборов. Эта работа демонстрирует, как эффективно сочетать передовое прогнозирование на основе искусственного интеллекта (ИИ) с формальной оптимизацией энергопотребления в единой, комплексной системе. Этот метод не только позволяет более точно прогнозировать потребление, особенно в часы пик, но также демонстрирует, что ИИ может значительно повысить гибкость энергетических сетей и энергоэффективность умных домов.

1. Arastehfar, S., Matinkia, M., Jabbarpour, M. Short-term residential load forecasting using Graph Convolutional Recurrent Neural Networks. Engineering Applications of Artificial Intelligence, 116 (1), 105358 (2022). https://doi.org/10.1016/j.engappai.2022.105358.

2. Gonzalez, R., Ahmed, S., & Alamaniotis, M. Implementing Very-Short-Term Forecasting of Residential Load Demand Using a Deep Neural Network Architecture. Energies, 16 (9), 3636 (2023). https://doi.org/10.3390/en16093636.

3. Chatuanramtharnghaka, B., Deb, S., & Singh, K. Short-Term Load Forecasting for IEEE 33 Bus Test System using SARIMAX. IEEE 2nd International Conference on Industrial Electronics: Developments & Applications (ICIDeA), Imphal, India, 275–280 (2023). https://doi.org/10.1109/ICIDeA59866.2023.10295066.

4. Lee, G-C. A Regression-Based Method for Monthly Electric Load Forecasting in South Korea. Energies, 17 (23), 5860-5875 (2024). https://doi.org/10.3390/en17235860.

5. Al-Turjman, F., & Malekloo, A. Machine learning for energy prediction in smart homes: A survey. Sustainable Cities and Society, 101, 104457 (2024). https://doi.org/10.1016/j.scs.2023.104457.

6. Ji, Y., Zhu, Y., Lu, S., Yang, L., Liew, A.W.-C.: Wtc-ipst: A deep learning framework for short-term electric load forecasting with multi-scale feature extraction. Knowledge-Based Systems, 24, 113907 (2025). https://doi.org/10.1016/j.knosys.2025.113907.

7. Faria, P., & Vale, Z. Demand Response in Smart Grids. Energies, 16 (2), 863 (2023). https://doi.org/10.3390/en16020863.

8. Wang, Y., Zhang, N., Zhuo, Z., Kang, C., Kirschen, D. Mixed-Integer Linear Programming-Based Optimal Configuration Planning for Energy Hub: Starting from Scratch. Applied Energy, 210 (2), 1141–1150 (2018). https://doi.org/10.1016/j.apenergy.2017.08.114.

9. Chandrasekaran, R., Paramasivan, S.K. Advances in deep learning techniques for short-term energy load forecasting applications: A review. Archives of Computational Methods in Engineering, 32 (2), 663-692 (2025). https://doi.org/10.1007/s11831-024-10155-x.

10. Chen, Y., Liu, H., & Wu, Y. Integrating renewable energy forecasting with smart home demand response. Sustainable Energy Technologies and Assessments, 65, 102918 (2025). https://doi.org/10.1016/j.seta.2025.102918.

11. Branco, N.W., Cavalca, M.S., Stefenon, S.F., & Leithardt, V.R. Wavelet LSTM for Fault Forecasting in Electrical Power Grids. Sensors, 22 (21), 8323 (2022). https://doi.org/10.3390/s22218323.

12. Ning, Y., Kazemi, H., & Tahmasebi, P. A comparative machine learning study for time series oil production forecasting: ARIMA, LSTM, and Prophet. Computers and Geosciences, 164, 105126 (2022). https://doi.org/10.1016/j.cageo.2022.105126.

13. Sun, Y., Zhang, H., & Li, Y. Deep learning approaches for household load forecasting: A comparative analysis. Energy and Buildings, 254, 111608 (2022). https://doi.org/10.1016/j.enbuild.2021.111608.

14. Ghadertootoonchi, A., Moeini-Aghtaie, M., Davoudi, M. AHybrid Linear Programming-Reinforcement Learning Method for Optimal Energy Hub Management. IEEE Transactions on Smart Grid, 14 (1), 157–166 (2023). https://doi.org/10.1109/TSG.2022.3197458.

15. Ma, P., Cui, S., Chen, M., Zhou, S., Wang, K. Review of family-level short-term load forecasting and its application in household energy management system. Energies, 16 (15), 5809–5825 (2023). https://doi.org/10.3390/en16155809.

16. Du, S., Li, T., Yang, Y., & Horng, S. Multivariate time series forecasting via attention-based encoderdecoder framework. Neurocomputing, 388, 269–279 (2020). https://doi.org/10.1016/j.neucom.2019.12.118.

17. Perçuku, A., Minkovska, D., Hinov, N. Enhancing Electricity Load Forecasting with Machine Learning and Deep Learning. Technologies, 13 (2), 70–90 (2025). https://doi.org/10.3390/technologies13020059.

18. Santoro, D., Ciano, T. & Ferrara, M. A comparison between machine and deep learning models on high stationarity data. Scientific Reports, 14 (1), 19409–1420 (2024). https://doi.org/10.1038/s41598-024-70341-6.

19. Bodenschatz, N., Eider M., & Berl, A. Mixed-Integer-Linear-Programming Model for the Charging Scheduling of Electric Vehicle Fleets. 2020 10th International Conference on Advanced Computer Information Technologies (ACIT), Deggendorf, Germany, 741–746 (2020). https://doi.org/10.1109/ACIT49673.2020.9208875.

20. Dukpa, A., & Butrylo, B. MILP-Based Profit Maximization of Electric Vehicle Charging Station Based on Solar and EV Arrival Forecasts. Energies, 15 (15), 5760 (2022). https://doi.org/10.3390/en15155760.

21. Murray, D., Stankovic, L. & Stankovic, V. An electrical load measurements dataset of United Kingdom households from a two-year longitudinal study. Scientific Data, 4, 160122–160130 (2017). https://doi.org/10.1038/sdata.2016.122.

22. Willmott, C.J. & Matsuura, K. Advantages of the mean absolute error (MAE) over the root mean square error (RMSE) in assessing average model performance. Climate Research, 30 (1), 79–82 (2005). https://doi.org/10.3354/cr030079.

23. Chai, T. & Draxler, R.R. Root mean square error (RMSE) or mean absolute error (MAE)? Arguments against avoiding RMSE in the literature. Geoscientific Model Development, 7, 1247–1250 (2014). https://doi.org/10.5194/gmd-7-1247-2014.

24. Kvålseth, T.O. Cautionary note about R². The American Statistician, 39 (4), 279–285 (1985). https://doi.org/10.1080/00031305.1985.10479448.

25. Tofallis, C. A better measure of relative prediction accuracy for model selection and model estimation. Journal of the Operational Research Society, 66 (8), 1352–1362 (2015). https://doi.org/10.1057/jors.2014.103.