СИСТЕМЫ АНАЛИЗА И ОБРАБОТКИ ДАННЫХ

В настоящей статье представлен анализ влияния гиперпараметров ансамблевых моделей на точность, стабильность и вычислительную эффективность в задаче краткосрочного прогнозирования потребления электрической энергии. Объектом исследования являлась реальная компрессорная станция, находящаяся на севере Центральной России. Эксперименты проводились для моделей, построенных на основании быстрого бустинга, экстремального градиентного бустинга, адаптивного бустинга и на основании случайного леса. В качестве гиперпараметров были выбраны эффективная глубина деревьев и количество базовых моделей. Общее количество комбинаций эффективной глубины деревьев и количества базовых деревьев составило 72 для каждой модели. Вклад работы заключается в проведении эксперимента по полному перебору комбинацией гиперпараметров на реальных данных предприятия газовой промышленности, оценки склонности моделей к переобучению и недообучению сравнением средней относительной ошибки по модулю на обучающей и тестовой выборках. Также были выявлены оптимальные конфигурации гиперпараметров для каждой модели с учетом компромисса между точностью, скоростью и стабильностью. По результатам экспериментов лучшей стабильностью обладают модели, построенные на основе случайного леса и адаптивного бустинга, но из-за высоких показателей времени обучения и низких показателей точности эти модели не могут быть применены для краткосрочного прогнозирования потребления предприятием газовой промышленности. Лучшими характеристиками точности и предсказуемости ошибки обладают модели, построенные на основе экстремального градиентного бустинга; хорошими показателями точности и самым низким временем обучения обладают модели, построенные на основе быстрого бустинга.

Lee E., Kim J., Jang D. Load profile segmentation for effective residential demand response program: Method and evidence from Korean pilot study // Energies. – 2020. – Vol. 13 (6). – P. 1348. – DOI: 10.3390/en13061348.

A short-term forecasting approach for regional electricity power consumption by considering its co-movement with economic indices / K. Li, Z. Yang, D. Li, Y.Y. Xing, W. Nai // IEEE 5th Information Technology and Mechatronics Engineering Conference (ITOEC). – IEEE, 2020. – P. 551–555. – DOI: 10.1109/ITOEC49072.2020.9141928.

Renewable on-site power generation for manufacturing companies – Technologies, modeling, and dimensioning / J. Schulz, D. Leinmüller, A. Misik, M.F. Zaeh // Sustainability. – 2021. – Vol. 13 (7). – P. 3898. – DOI: 10.3390/su13073898.

Optimal maintenance policy for equipment submitted to multi-period leasing as a circular business model / A.B. Mabrouk, A. Chelbi, M.S. Aguir, S. Dellagi // Sustainability. – 2024. – Vol. 16 (12). – P. 5238. – DOI: 10.3390/su16125238.

Stepanova A.I., Matrenin P.V. New load forecasting ensemble model based on LightGBM for gas industry enterprises // Proceedings of the 2024 IEEE Ural-Siberian Conference on Biomedical Engineering, Radioelectronics and Information Technology (USBEREIT). – IEEE, 2024. – P. 1–4. – DOI: 10.1109/USBEREIT61901.2024.10583981.

Power load forecasting research based on neural network and Holt-winters method / J. Fan, X. Liu, Z. Li, X. Wang, S. Cao, J. Lei // IOP Conference Series: Earth and Environmental Science. – 2021. – Vol. 692. – P. 022120. – DOI: 10.1088/1755-1315/692/2/022120.

Short-term forecast of electricity load for LLC “Omsk Energy Retail Company” using neural network / V. Potapov, R. Khamitov, V. Makarov, A. Gritsay, I. Chervenchuk, D. Tyunkov // Proceeding of 2018 Dynamics of Systems, Mechanisms and Machines (Dynamics). – IEEE, 2018. – P. 1–5. – DOI: 10.1109/Dynamics.2018.8601430.

Chodakowska E., Nazarko J., Nazarko L. ARIMA models in electrical load forecasting and their robustness to noise // Energies. – 2021. – Vol. 14 (23). – P. 7952. – DOI: 10.3390/en14237952.

Blind Kalman filtering for short-term load forecasting / S. Sharma, A. Majumdar, V. Elvira, E. Chouzenoux // IEEE Transactions on Power Systems. – 2020. – Vol. 35. – P. 4916–4919. – DOI: 10.1109/TPWRS.2020.3018623.

Caro E., Juan J., Nouhitehrani S. Optimal selection of weather stations for electric load forecasting // IEEE Access. – 2023. – Vol. 11. – P. 42981–42990. – DOI: 10.1109/ACCESS.2023.3270933.

Regression model-based short-term load forecasting for university campus load / M. Madhukumar, A. Sebastian, X. Liang, M. Jamil, M.N.S.K. Shabbir // IEEE Access. – 2022. – Vol. 10. – P. 8891–8905. – DOI: 10.1109/ACCESS.2022.3144206.

Sergeev N., Matrenin P. Improving accuracy of machine learning based short-term load forecasting models with correlation analysis and feature engineering // Proceeding of 2023 IEEE 24th International Conference of Young Professionals in Electron Devices and Materials (EDM). – IEEE, 2023. – P. 1000–1004. – DOI: 10.1109/EDM58354.2023.10225058.

Load forecasting techniques and their applications in smart grids / H. Habbak, M. Mahmoud, K. Metwally, M.M. Fouda, M.I. Ibrahem // Energies. – 2023. – Vol. 16 (3). – P. 1480. – DOI: 10.3390/en16031480.

Ryu S., Noh J., Kim H. Deep neural network based demand side short term load forecasting // Energies. – 2017. – Vol. 10 (1). – P. 3. – DOI: 10.3390/en10010003.

Szczepaniuk H., Szczepaniuk E.K. Applications of artificial intelligence algorithms in the energy sector // Energies. – 2023. – Vol. 16 (1). – P. 347. – DOI: 10.3390/en16010347.

A short-term load forecasting method based on GRU-CNN hybrid neural network model / L. Wu, C. Kong, X. Hao, W. Chen // Mathematical Problems in Engineering. – 2020. – P. 1428104. – DOI: 10.1155/2020/1428104.

Multi-scale convolutional neural network with time-cognition for multi-step short-term load forecasting / Z. Deng, B. Wang, Y. Xu, T. Xu, C. Liu, Z. Zhu // IEEE Access. – 2019. – Vol. 7. – P. 88058–88071. – DOI: 10.1109/ACCESS.2019.2926137.

Short-term residential load forecasting based on LSTM recurrent neural network / W. Kong, Z.Y. Dong, Y. Jia, D.J. Hill, Y. Xu, Y. Zhang // IEEE Transactions on Smart Grid. – 2019. – Vol. 10. – P. 841–851. – DOI: 10.1109/TSG.2017.2753802.

Cai M., Pipattanasomporn M., Rahman S. Day-ahead building-level load forecasts using deep learning vs. traditional time-series techniques // Applied Energy. – 2019. – Vol. 236 (3). – P. 1078–1088. – DOI: 10.1016/j.apenergy.2018.12.042.

A deep learning method for short-term residential load forecasting in smart grid / Y. Hong, Y. Zhou, Q. Li, W. Xu, X. Zheng // IEEE Access. – 2020. – Vol. 8. – P. 55785–55797. – DOI: 10.1109/ACCESS.2020.2981817.

Load forecasting techniques for power system: Research challenges and survey / N. Ahmad, Y. Ghadi, M. Adnan, M. Ali // IEEE Access. – 2022. – Vol. 10. – P. 71054–71090. – DOI: 10.1109/ACCESS.2022.3187839.

Forecasting planned electricity consumption for the united power system using machine learning / R.V. Klyuev, A.D. Morgoeva, O.A. Gavrina, I.I. Bosikov, I.D. Morgoev // Journal of Mining Institute. – 2023. – Vol. 261. – P. 392–402.

Mohammadagha M. Hyperparameter optimization strategies for tree-based machine learning models prediction: A comparative study of AdaBoost, decision trees, and random forest // SSRN Electronic Journal. – 2025. – DOI: 10.2139/ssrn.5226457.

Dasgupta S., Sen J. A comparative study of hyperparameter tuning methods // Data Science in Theory and Practice. – 2024. – DOI: 10.48550/arXiv.2408.16425.

A unified framework for tuning hyperparameters in clustering problems / X. Fan, Y. Yue, P. Sarkar, Y.X.R. Wang // arXiv. – 2019. – DOI: 10.48550/arXiv.1910.08018.

Hidayaturrohman Q.A., Hanada E. A comparative analysis of hyper-parameter optimization methods for predicting heart failure outcomes // Applied Science. – 2025. – Vol. 15 (6). – P. 3393. – DOI: 10.3390/app15063393.

Application of SHAP and multi-agent approach for short-term forecast of power consumption of gas industry enterprises / A.I. Stepanova, A.I. Khalyasmaa, P.V. Matrenin, S.A. Eroshenko // Algorithms. – 2024. – Vol. 17 (10). – P. 447. – DOI: 10.3390/a17100447.

Scikit-Learn libraries. – URL: https://scikit-learn.org/stable/supervised_learning.html#supervised-learning (accessed: 17.01.2026).

XGBoost. Introduction to Boosted Trees. – URL: https://xgboost.readthedocs.io/en/stable/tutorials/model.html (accessed: 17.01.2026).

LightGBM. – URL: https://lightgbm.readthedocs.io/en/stable/ (accessed: 17.01.2026).