Розробка та порівняльний аналіз моделей прогнозування газоспоживання на основі багатошарового персептрона з різними наборами вхідних ознак

Я. В. Литвиненко; Г. В.  Шимчук

doi:10.36910/6775-2524-0560-2026-64-21

Я. В. Литвиненко https://orcid.org/0000-0001-7311-4103
Г. В. Шимчук https://orcid.org/0000-0003-2362-7386

DOI: https://doi.org/10.36910/6775-2524-0560-2026-64-21

Ключові слова: багатошаровий персептрон (MLP), природний газ, прогнозування газоспоживання, багатошаровий персептрон, нейронні мережі, метеорологічні фактори, циклічий випадковий процес, авторегресійні ознаки, лагові ознаки

Анотація

У роботі досліджено застосування багатошарового персептрона для короткострокового прогнозування споживання природного газу з дискретністю 3 години на повному річному тестовому інтервалі. Сформовано п’ять послідовно розширених моделей MLP, у яких вхідний простір доповнювався метеорологічними, циклічними часовими, лаговими, ковзними та різницевими ознаками. Для навчання і вибору конфігурації використано дані 2007-2018 років, а 2920 спостережень 2019 року зарезервовано для незалежного тестування. Застосовано хронологічний поділ даних, стандартизацію та формування авторегресійних характеристик без витоку цільової інформації. Якість моделей оцінено за R², MAE, RMSE, MAPE та WAPE. Найвищу точність забезпечила модель MLP-5 з розширеною системою авторегресійних ознак. Для визначення внеску окремих предикторів використано permutation importance, що дало змогу оцінити роль різних груп ознак у формуванні прогнозу

Посилання

1. Liu J., Wang S., Wei N., Chen X., Xie H., Wang J. Natural gas consumption forecasting: A discussion on forecasting history and future challenges. Journal of Natural Gas Science and Engineering. 2021. Vol. 90. Article 103930.
2. Šebalj D., Mesarić J., Dujak D. Analysis of methods and techniques for prediction of natural gas consumption: A literature review. Journal of Information and Organizational Sciences. 2019. Vol. 43, No. 1. P. 99–117.
3. Szoplik J. Forecasting of natural gas consumption with artificial neural networks. Energy. 2015. Vol. 85. P. 208–220.
4. Merkel G. D., Povinelli R. J., Brown R. H. Short-Term Load Forecasting of Natural Gas with Deep Neural Network Regression. Energies. 2018. Vol. 11, No. 8. Article 2008.
5. Laib O., Khadir M. T., Mihaylova L. Toward efficient energy systems based on natural gas consumption prediction with LSTM Recurrent Neural Networks. Energy. 2019. Vol. 177. P. 530-542.