116
Для сравнения точности прогноза каждой модели было
рассчитано
среднеквадратичное
отклонение
предсказанных значений от тестовых (RMSE), а также его
относительное значение (RRMSE). Точность прогноза
модели тем выше, чем ниже рассчитанное значение. Для
наглядного сравнения результаты приведены в таблице I.
Таблица I. О
ЦЕНКА ТОЧНОСТИ ПРОГНОЗА КАЖДОЙ МОДЕЛИ
Модель
RMSE
RRMSE
LGBM
3,793
1,569
SES
4,073
1,607
RF
4,047
1,611
ARIMA
4,272
1,612
SARIMA
4,276
1,617
DES
4,255
1,664
SARIMAX
4,596
1,735
TES
4,684
1,775
LR
5,075
1,917
Naive 1
5,163
2,025
Naive 2
8,713
3,496
Полученные результаты показывают, что наиболее
точной является модель градиентного бустинга (RMSE –
3,793, RRMSE – 1,569). Стоит отметить, что увеличение
данных для обучения увеличит точность прогноза.
Полученной точности достаточно для принятия решений о
резервировании оперативно-выездной бригады.
IV.
З
АКЛЮЧЕНИЕ
Были получены модели прогнозирования отключений
ЛЭП в различных районах Ленинградской области, среди
которых выявлены наиболее точные. Прогноз, сделанный
при помощи модели градиентного бустинга (LGBM),
оказался гораздо точнее прогноза, сделанного при
помощи простейшей предиктивной модели (Naïve 1).
Полученный
прогноз
позволяет
принимать
управленческие решения распределения человеческих
ресурсов для мобилизации оперативно-выездной бригады.
В дальнейшем авторами планируется рассмотрение
других моделей прогнозирования, а также внедрение
функции определения наиболее подверженных риску
отключения воздушных линий.
Список литературы
[1]
Статистика аварийности в ЕЭС России [Электронный ресурс] –
Режим доступа:
дата обращения:
28.07.2021)
[2]
Непомнящий В.А. Экономические потери от наршуений
элеткроснабжения потребителей. - М.: Издательский дом МЭИ,
2010. – 188 с.
[3]
И.П. Волтов, Р.В. Окороков. Интеллектуальное управление
электросетевыми компаниями на основе анализа больших данных.
// Сборник статей Международной научно-практической
конференции
“ИНСТРУМЕНТЫ
И
МЕХАНИЗМЫ
СОВРЕМЕННОГО ИННОВАЦИОННОГО РАЗВИТИЯ”. – Казань.
2019. – С. 59-62.
[4]
Крылов В.В., Крылов С.В. Большие данные и их приложения в
электроэнергетике, 2014. - 146 с.
[5]
Setting up a forecast service for weather dependent failures on power
lines in one [Электронный ресурс] – Режим доступа:
-
service-for-estimation-of-failure-probability-on-overhead-lines-based-
on-the-current-weather-forecast/ (дата обращения: 30.07.2021)
[6]
Predicting Electricity Outage with Keras and Python [Электронный
ресурс] – Режим доступа:
(дата
обращения: 01.08.2021)
[7]
rp5.ru расписание погоды [Электронный ресурс] – Режим доступа:
дата обращения: 29.07.2021).
Рис.2 – Обучающая (отмечено синим цветом), тестовая (отмечено оранжевым цветом) выборки и полученный прогноз числа отключений (отмечено
зеленым цветом)
