Enhancing Smart Grid Management Through Machine Learning-Based Hourly Energy Forecast

Resumo

Une prévision précise de la consommation d'électricité à haute résolution temporelle est essentielle pour la gestion des réseaux intelligents, en particulier dans le contexte de l'intégration croissante des sources d'énergie renouvelées par intermittence, comme l'énergie solaire et éolienne. Cette transition impose de grands défis aux opérateurs de réseau, qui équilibrent précisément et continuellement l'offre et l'exigent dans des conditions de grande variabilité. En tant qu'abords traditionnels de prévision, il est fréquent de capturer les éléments non linéaires et dynamiques de la demande d'électricité, ce qui entraîne une fiabilité limitée. Pour découvrir ces défis, cet article présente une offre comparative de ses modèles d'apprentissage de machine pour la prévision horaire de la consommation électrique : Regressão Linear, Random Forest, XGBoost, CatBoost, LightGBM et Perceptron Multicamadas (MLP). L'utilisation des modèles a été utilisée en utilisant RMSE, MAE, R², Precisão, Recall et F1-score. Les résultats entraînent une supériorité des modèles basés sur les ensembles. O Random Forest obtient le meilleur rendement (RMSE = 396,56, MAE = 161,35, R² = 0,9990, F1 = 0,993), suivi par LightGBM (RMSE = 544,88, MAE = 309,30, R² = 0,9981, F1 = 0,982) et par XGBoost (RMSE = 671,42, MAE = 365,31, R² = 0,9972, F1 = 0,979). En revanche, la régression linéaire et le MLP ont produit des résultats significatifs plus fracassants. En général, cette étude démontre le potentiel de l'apprentissage d'une machine avancée, en particulier les méthodes d'ensemble, pour améliorer considérablement la précision de la prévision de la demande d'énergie, permettant une opération plus confiante des réseaux intelligents et permettant une transition globale pour les systèmes. energéticos sustentáveis.