Situational forecasting of electricity demand in the region

Abstract

The process of forecasting volumes of electricity sales on the wholesale market is considered. To improve the quality of the forecast, it is proposed to use the method of machine learning Random Forests as part of the solution of the task of situational forecasting of electricity consumption. A comparison of the Random Forests with a simple linear regression is performed. The forecast is based on historical data on electricity consumption in Ukraine, as well as changes in cost per hour of consumption and a number of key factors. Forecasting takes into account weather conditions, macro – financial and economic characteristics. When the software was implemented, the library used includes the implementation of the prognostic algorithms Spark MLlib, which specializes in machine learning methods. Training samples were created based on historical data found in different open sources. In the introduction section the justification of the problem of forecasting demand for electricity and the impossibility of taking into account all factors affecting the environment when using standard approaches is made. In the results section, a number of indicators have been calculated capable of determining the accuracy of the forecast: the mean square error, the mean relative error and the absolute error. In the mathematics section, a description and analysis of the Random Forests algorithm was given. The graphs were built showing the results of the forecast in different time periods: one day, one week, one year. The results were compared with the original historical data. Added tables that show the input data and the results obtained using linear regression and the algorithm of machine learning Random Forests. In conclusion, conclusions were drawn about the effectiveness of the algorithm Random Forests, as well as a possible problem when working with machine learning algorithms.Розглядається процес прогнозування обсягів продажу електроенергії на оптовому ринку. Для поліпшення якості прогнозу пропонується використання методу машинного навчання Random Forests у склад і вирішення задачі ситуаційного прогнозування споживання електроенергії. Робиться порівняння методу Random Forests з звичайною лінійною регресією. Прогноз виконується на базі історичних даних споживання електроенергії в Україні, а також змін вартості за одну годину споживання електроенергії і ряду ключових факторів. При прогнозуванні враховувалися показники погодних умов, макрофінансові та економічні характеристики. При реалізації програмного забезпечення була використана бібліотека Spark MLlib, що містить реалізацію прогностичних алгоритмів та спеціалізується на методах машинного навчання. Для алгоритмів були створені навчальні вибірки на базі історичних даних, знайдених у різних відкритих джерелах. У розділі Вступ робиться обґрунтування актуальності задачі прогнозування попиту електроенергії і неможливість врахування всіх факторів, що впливають на середовище при використанні стандартних підходів. Обчислено ряд показників, здатних визначити точність прогнозу: середня квадратична помилка, середня відносна і абсолютна помилки. Побудовано графіки, що відображають результати прогнозу в різних часових періодах: один день, один тиждень, один рік. Було виконано порівняння отриманих результатів із вихідними історичними даними. У розділі математичного обґрунтування наводиться детальний опис і аналіз алгоритму Random Forests. Додано таблиці, в яких наведені вхідні дані і отримані результати за допомогою лінійної регресії і алгоритму машинного навчання Random Forests. На завершення було зроблено висновки щодо ефективності алгоритму Random Forests, а також можливі проблеми при роботі з алгоритмами машинного навчання.