Автори | P. Chakraborty , S. Kalaivani , A. Ambika , K. Ramya |
Афіліація | 1Department of Electronics and Communication Engineering, B.S.A Crescent Institute of Science and Technology, Chennai, Tamil Nadu, India |
Е-mail | prernasree@crescent.education |
Випуск | Том 17, Рік 2025, Номер 4 |
Дати | Одержано 18 квітня 2025; у відредагованій формі 21 серпня 2025; опубліковано online 29 серпня 2025 |
Цитування | P. Chakraborty, S. Kalaivani, A. Ambika, K. Ramya, Ж. нано- електрон. фіз. 17 № 4, 04011 (2025) |
DOI | https://doi.org/10.21272/jnep.17(4).04011 |
PACS Number(s) | 07.05.Kf, 07.05.Mh |
Ключові слова | Прогнозування споживання електроенергії, Гібридна модель ARIMA-LSTM, Аналіз часових рядів, Машинне навчання (6) , Глибоке навчання (2) , Системи енергоменеджменту. |
Анотація | Точне прогнозування споживання електроенергії має вирішальне значення для ефективного управління енергією та планування. У цій запропонованій роботі порівнюються дві моделі прогнозування часових рядів – ARIMA (авторегресивна інтегрована ковзна середня) та гібридна модель ARIMA-LSTM – для прогнозування споживання електроенергії. Модель ARIMA фіксує лінійні закономірності, тоді як гібридна модель ARIMA-LSTM використовує мережі довгої короткочасної пам’яті (LSTM) для моделювання нелінійних залежностей. Для оцінки продуктивності використовуються три показники – середньоквадратична похибка (MSE), середньоквадратична похибка (RMSE) та середня абсолютна похибка (MAE). Результати показують, що гібридна модель ARIMA-LSTM досягає MSE 45,19, RMSE 6,72 та MAE 5,80, що перевершує модель ARIMA. Це демонструє ефективність інтеграції статистичних методів з глибоким навчанням для точного прогнозування. Здатність гібридної моделі обробляти складні дані часових рядів підкреслює її потенціал для покращення прогнозів споживання електроенергії. Моделюючи як лінійні, так і нелінійні залежності, вона підвищує точність прогнозування порівняно з традиційними підходами. Ці висновки підкреслюють важливість поєднання традиційних та передових методів прогнозування часових рядів. Подальші дослідження можуть удосконалити цю модель, включивши додаткові функції, що оптимізують її архітектуру. Такі вдосконалення можуть ще більше підвищити точність прогнозування, сприяючи кращому управлінню енергією та плануванню. |
Перелік посилань English version of article |