Prediction of Power Consumption in Utilityt Grid
Recenzentas / Rewiewer | |
Darbo gynimo komisijos pirmininkas / Thesis Defence Board Chairman | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member | |
Darbo gynimo komisijos narys / Thesis Defence Board Member |
Šiame darbe daugiausia dėmesio skiriama mėnesinio elektros energijos suvartojimo prognozavimui Lietuvoje,naudojant mašininio mokymosi ir gilaus mokymosi metodus. Atsiradus išmaniesiems tinklamsir automatizuotoms matavimo sistemoms, tiksli energijos prognozavimas tapo būtinasefektyviam planavimui ir išteklių valdymui.Tyrime naudojami realaus pasaulio duomenys nuo 2022 iki 2024 m., įskaitant oro sąlygas, kalendoriaus ypatybes ir išsamią informaciją iš energijos skaitiklių įvairiosesavivaldybėse. Buvo išbandyti keli modeliai, įskaitant 'Random Forest', 'SupportVector Regression (SVR)', 'XGBoost' ir 'LightGBM'.Iš visų modelių „LightGBM” pasiekė geriausius rezultatus, kurių R² balas buvo 0,97, o vidutinė absoliuti procentinė paklaida (MAPE) - maždaug 10,5 %.SHAP analizė buvo naudojama ypatybių svarbai interpretuoti, parodant, kaddidžiausią įtaką prognozėms turėjo slenkantys vidurkiai, leidžiama galia ir sezoninės tendencijos.Nors mėnesiniai duomenys padėjo nustatyti plačius vartojimo modelius, dienos detalumo trūkumas ribojo galimybę užfiksuoti trumpalaikius šuolius. Tai pabrėžia tolesnio tobulinimo potencialą naudojant aukštesnio dažnio duomenis ir realaus laiko išorinius duomenis.Apskritai tyrimas rodo, kad mašininio mokymosi modeliai, ypač 'Light-GBM', gali patikimai prognozuoti elektros energijos suvartojimą ir padėti priimti išmanesnius sprendimus šiuolaikinėse energetikos sistemose.
This thesis focuses on predicting monthly electricity consumption in Lithuaniausing machine learning and deep learning techniques. With the rise of smart gridsand automated metering systems, accurate energy forecasting has become essentialfor efficient planning and resource management.The research uses real-world data from 2022 to 2024, including weather con-ditions, calendar features, and detailed information from energy meters in variousmunicipalities. Several models were tested, including Random Forest, SupportVector Regression (SVR), XGBoost, and LightGBM.Among all models, LightGBM achieved the best results with an R² score of0.97 and a mean absolute percentage error (MAPE) of approximately 10. 5%.SHAP analysis was used to interpret the importance of the features, showing thatrolling averages, allowed power, and seasonal trends had the greatest influence onthe predictions.Although monthly data helped identify broad consumption patterns, the lackof daily granularity limited the ability to capture short term spikes. This highlightsthe potential for further improvement using higher frequency data and real timeexternal inputs.Overall, the study demonstrates that machine learning models, especially Light-GBM, can reliably forecast electricity consumption and support smarter decision-making in modern energy systems.