ЖЕЛ ЭНЕРГИЯСЫНЫҢ ӨНДІРІСІН БОЛЖАУДАҒЫ ДӘЛДІКТІ ЖАҚСАРТУ ҮШІН УАҚЫТ ҚАТАРЛАРЫ НЕГІЗІНДЕГІ ТӘСІЛДЕР

Бұл зерттеуде біз Lasso, LightGBM және CatBoost машиналық оқыту моделдерін пайдалана отырып, Германиядағы жел электр станцияларында электр энергиясын өндіруді егжей-тегжейлі талдау мен болжауды ұсындық. Деректерді өңдеу үшін модельдердің сапасын жақсарту мақсатында пайдаланылған ендік және уақыттық ақпарат арқылы егжей-тегжейлі деректерді алуға мүмкіндік беретін Feature Engineering әдісі қолданып, жаңа дерекпен толтырылды. Жетілдірілген деректерді талдау (Extensive data Analysis, EDA) арқылы біз дәл болжамдардың сапасын нақтырақ энергетикалық жүйелердің тұрақтылығын, әсіресе жаңартылатын энергия көздеріне тәуелділіктің артуы жағдайында айтарлықтай жақсарта алатындығына сүйене отырып, энергия өндірудің уақыт сериясынан кешігу және жылжымалы белгілерді анықтадық және моделдердің сапа көрсеткішін жақсарттық. Әрбір моделдің өнімділігі орташа абсолютті қате (MAE), орташа квадраттық қате (MSE) және түбір асты орташа квадраттық қате (RMSE) статистикалық көрсеткіштері негізінде бағаланады. Осы модельдердің ішінде CatBoost барлық көрсеткіштер бойынша ең жоғары дәлдікті көрсетеді. Қорытындыда осы модельдерді оңтайландыруға және оларды басқа аймақтарға бейімдеуге бағытталған әрі қарайғы зерттеулердің мүмкіндіктері көрсетіледі, энергетикалық сала контекстінде осы зерттеудің кешенді және ұзақ мерзімді әлеуеті атап өтіледі.

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.