ПОДХОДЫ НА ОСНОВЕ ВРЕМЕННЫХ РЯДОВ ДЛЯ ПОВЫШЕНИЯ ТОЧНОСТИ ПРОГНОЗА ВЕТРОЭНЕРГЕТИКИ

данном исследовании мы представили подробный анализ и прогнозирование выработки электроэнергии на ветряных электростанциях в Германии с использованием моделей машинного обучения Lasso, LightGBM и CatBoost. Для обработки данных использовался метод Feature Engineering, который позволил извлечь более подробные данные с дат, использованные для улучшения качества моделей. С помощью расширенного анализа данных (Extensive Data Analysis, EDA) мы определяем и разрабатываюм запаздывающие и скользящие признаки из временного ряда производства энергии, исходя из того, что точные прогнозы могут значительно повысить стабильность энергетических систем, особенно в контексте растущей зависимости от возобновляемых источников энергии. Производительность каждой модели оценивается на основе показателей средней абсолютной ошибки (MAE), средней квадратичной ошибки (MSE) и корневой средней квадратичной ошибки (RMSE), при этом среди этих моделей CatBoost демонстрирует самую высокую точность по всем показателям. В заключение указываются возможности для дальнейших исследований, направленных на оптимизацию этих моделей и их адаптацию к другим регионам, подчеркивается комплексный и долгосрочный потенциал данного исследования в контексте энергетической сферы.

1. Tibshirani R. (1996) Regression Shrinkage and Selection via the Lasso, Journal of the Royal Statistical Society: Series B (Methodological), 58 (1), pp. 267–288.

2. Ke G., Meng Q., Finley T., Wang T., Chen W., Ma W., Ye Q. & Liu T. (2017) LightGBM: A Highly Efficient Gradient Boosting Decision Tree, Advances in Neural Information Processing Systems, 30, pp. 3146–3154.

3. Prokhorenkova L., Gusev G., Vorobev A., Dorogush A. & Gulin A. (2018) CatBoost: unbiased boosting with categorical features, Advances in Neural Information Processing Systems, 31, pp. 6638–6648.

4. Pereira F., Portela F. & Neves J. (2021) Fraud detection in digital payments: A CatBoost approach, Journal of Computational Science, 53, 101344.

5. Ye M., Li X., Shao M., Li Y. & Liu X. (2021) An ensemble machine learning framework for custom.

6. García S., Luengo J., Herrera F. (2015) Data Preprocessing in Data Mining. Springer.

7. Wang L., Li L. & Khedr A.M. (2019) Feature Engineering and Selection for Time Series Forecasting: A Review, ACM Computing Surveys, 52(5), pp.1–37.

8. Godahewa R. & Samaraweera L. (2019) Time Series Feature Engineering: A Systematic Review, In International Conference on Advances in Computing and Data Sciences, pp. 571–581.

9. Hyndman R.J. & Athanasopoulos G. (2018) Forecasting: Principles and Practice. OTexts.

10. Chai T. & Draxler R.R. (2014) Root mean square error (RMSE) or mean absolute error (MAE)? – Arguments against avoiding RMSE in the literature, Geoscientific Model Development, 7(3), pp.1247–1250.

11. Aldrin M. & Holden M. (2019) On the use of RMSE and MAE in model evaluation, Ocean Dynamics, 69(7), pp. 925–933.

12. VanderPlas J.T. (2016) Python Data Science Handbook: Essential Tools for Working with Data, O'Reilly Media.

13. Van den Bossche J. (2017) Interactive Data Visualization in Python With Plotly, Journal of Open Source Education, 20(2), 43.

14. Suresh H.P. & Mohan C.K. (2018) A Comprehensive Review of Predictive Data Mining Techniques for Credit Scoring in Banking Sector, Journal of King Saud University-Computer and Information Sciences, 30(3), pp. 360–374.