ЖАСАНДЫ ИНТЕЛЛЕКТ НЕГІЗІНДЕ ЭНЕРГИЯНЫ БОЛЖАУ ЖӘНЕ АҚЫЛДЫ ҮЙЛЕРДЕ СҰРАНЫСТЫ БАСҚАРУДЫ ЖАҚСАРТУ

Бұл жұмыста энергия жүктемесі болжамдарының дәлдігін арттыруға және болжам үлгілерінің де, сұранысқа жауап беру (DR) стратегияларының да тиімділігін бағалауға арналған кешенді көп кезеңді жүйе ұсынылған. REFIT деректер жинағын пайдалана отырып, сызықтық регрессия, кездейсоқ орман, SVR, k-NN, LSTM және зейін механизмі бар гибридті кодтаушы-декодерді қамтитын болжам үлгілерінің иерархиясына салыстырмалы талдау жүргізілді. Зерттеу нәтижелері көрсеткендей, зейін механизмі бар әзірленген гибридті кодтаушы-декодер үлгісі деректердегі күрделі уақытша үлгілерді танудың жоғары қабілетін көрсетіп, ең жақсы дәлдікке (R² = 0.91, MAPE = 2.39%) қол жеткізді. Қатаң көп кезеңді тестілеу осы терең оқыту үлгісінің тұрақтылығы мен жоғары жалпылау қабілетін растады. Үй энергиясын басқару жүйесін (HEMS) оңтайландыру үшін аралас бүтін санды сызықтық бағдарламалау (MILP) негізіндегі үлгіге жоғары дәлдіктегі болжам енгізілді. Нәтижелер көрсеткендей, бұл кешенді құрылым құрылғылардың жұмысын оңтайлы жоспарлау арқылы энергия шығындарын 22.5%-ға айтарлықтай қысқартып, ең жоғары жүктемені 31.8%-ға азайтты. Бұл жұмыс алдыңғы қатарлы жасанды интеллект (ЖИ) негізіндегі болжауды ресми энергияны оңтайландырумен біртұтас кешенді жүйеде қалай тиімді біріктіруге болатынын көрсетеді. Бұл әдіс тұтынуды, әсіресе ең жоғары жүктеме сағаттарында, дәлірек болжауға мүмкіндік беріп қана қоймай, сонымен қатар ЖИ-дің энергия желілерінің икемділігін және ақылды үйлердің энергия тиімділігін айтарлықтай жақсарта алатынын көрсетеді.

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.