Розробка системи прогнозування електроспоживання та оптимального керування джерелами електропостачання пiдприємства в умовах нестабільного енергоживлення
DOI:
https://doi.org/10.15587/1729-4061.2026.352199Ключові слова:
оптимізація енергоспоживання підприємства, управління генераторами, машинне навчання, регресія LightGBMАнотація
Об’єктом дослідження є процес забезпечення автономності промислових підприємств в умовах критичної нестабільності централізованого електропостачання та динамічних ринкових тарифів.
В умовах значних втрат генеруючих потужностей та частих перебоїв у постачанні електроенергії підприємства часто використовують автономні джерела живлення. Оптимальне використання таких джерел потребує економічного обґрунтування та розроблення відповідних моделей. Завданням цих моделей є підвищення економічної ефективності та енергетичної незалежності підприємства шляхом автоматизації оптимального управління джерелами енергії.
У роботі запропоновано дворівневу систему. Перший рівень відповідає за прогнозування енергоспоживання. Другий – детермінований алгоритм оптимізації для автоматичного вибору джерела живлення та економічно обґрунтованого управління графіком роботи автономних джерел живлення.
При прогнозуванні енергоспоживання було проведено порівняння двох моделей побудованих на основі Random Forest та LightGBM. Моделі продемонстрували середні абсолютні похибки, у відсотках від середнього, 5–7% та 8–10%, що свідчить про їхню придатність для подальшого прийняття рішень.
Аналіз роботи алгоритму оптимізації на реальних даних продемонстрував загальну економію витрат на енергоспоживання в межах 9–12% порівняно з неоптимізованим використанням електроенергії з мережі. Цих результатів досягнуто завдяки вчасному перемиканні між центральним та альтернативними джерелами електропостачання. Перемикання відбувається тоді, коли використання джерела стає економічно вигіднішим за умови дотримання технічних обмежень.
Отримана система може бути застосована на підприємствах, які вимагають безперебійного постачання електроенергії та використовують генератори як альтернативні джерела живлення
Посилання
- DiXi Group calculated mass attacks on the energy system of Ukraine (2024). Ukrainian Energy. Available at: https://ua-energy.org/en/posts/03-10-2024-0c9b86dc-4300-49c0-afb3-307d43ca6d1d
- Bytva za svitlo. Zvit pro diyalnist (2024). DTEK. Available at: https://dtek.com/content/upload/report/DTEK%202024%20Action%20Report%20Ukrainian%20250221.pdf
- Otsinka priamykh zbytkiv ta nepriamykh vtrat enerhetychnoho sektoru Ukrainy vnaslidok povnomasshtabnoho vtorhnennia rosii (2024). Kyivska shkola ekonomiky. Available at: https://kse.ua/wp-content/uploads/2024/06/KSE_Vpliv-vii--ni-na-energetiku_UA-1.pdf
- A Rebirth in Flame: Ukraine’s Beleaguered Energy System (2025). CEPA. Available at: https://cepa.org/article/a-rebirth-in-flame-ukraines-beleaguered-energy-system
- Kumar, M., Pal, N. (2023). Machine Learning-based Electric Load Forecasting for Peak Demand Control in Smart Grid. Computers, Materials & Continua, 74 (3), 4785–4799. https://doi.org/10.32604/cmc.2022.032971
- Halimuzzaman, M. (2025). AI-driven optimization of hybrid renewable energy systems: A review of techniques, challenges, and future direction. Pacific Journal of Advanced Engineering Innovations, 2 (1), 22–32. https://doi.org/10.70818/pjaei.v02i01.093
- Kong, W., Dong, Z. Y., Jia, Y., Hill, D. J., Xu, Y., Zhang, Y. (2019). Short-Term Residential Load Forecasting Based on LSTM Recurrent Neural Network. IEEE Transactions on Smart Grid, 10 (1), 841–851. https://doi.org/10.1109/tsg.2017.2753802
- Fayyazbakhsh, A., Kienberger, T., Vopava-Wrienz, J. (2025). Comparative Analysis of Load Profile Forecasting: LSTM, SVR, and Ensemble Approaches for Singular and Cumulative Load Categories. Smart Cities, 8 (2), 65. https://doi.org/10.3390/smartcities8020065
- Ibrar, M., Hassan, M. A., Shaukat, K., Alam, T. M., Khurshid, K. S., Hameed, I. A. et al. (2022). A Machine Learning‐Based Model for Stability Prediction of Decentralized Power Grid Linked with Renewable Energy Resources. Wireless Communications and Mobile Computing, 2022 (1). https://doi.org/10.1155/2022/2697303
- Mudgal, Y., Tiwari, R., Krishnan, N., Téllez, A. A. (2025). Advanced Cluster-Based Load Forecasting and Peak Demand Management for Electric Vehicle Charging Networks. IEEE Access, 13, 105664–105677. https://doi.org/10.1109/access.2025.3578875
- Bahrami, S., Chen, Y. C., Wong, V. W. S. (2021). Deep Reinforcement Learning for Demand Response in Distribution Networks. IEEE Transactions on Smart Grid, 12 (2), 1496–1506. https://doi.org/10.1109/tsg.2020.3037066
- Suanpang, P., Jamjuntr, P., Jermsittiparsert, K., Kaewyong, P. (2022). Autonomous Energy Management by Applying Deep Q-Learning to Enhance Sustainability in Smart Tourism Cities. Energies, 15 (5), 1906. https://doi.org/10.3390/en15051906
- Danylchenko, D. O., Fedorchuk, S. O., Maslak, M. V. et al. (2024). Intelektualni systemy elektropostachannia na osnovi zaluchennia aktyvnykh spozhyvachiv. Kharkiv: NTU "KhPI", 310. Available at: https://repository.kpi.kharkov.ua/entities/publication/1511a424-3c71-467d-a8f6-9ad66d58ae33
- Sirenko, Yu. V., Volvach, T. S., Savoiskyi, O. Yu., Kozin, V. M. (2025). Analysis of the state of ukraine’s energy system and measures to improve the situation. Visnyk of Kherson National Technical University, 1 (2 (93)), 229–237. https://doi.org/10.35546/kntu2078-4481.2025.2.1.30
- Bobrov, O., Yaroshenko, Y. (2024). Analysis of electrical load schedules of UPS of Ukraine. Electrical and Information Systems, 106, 27–34. https://doi.org/10.32782/eis/2024-106-5
- González Grandón, T., Schwenzer, J., Steens, T., Breuing, J. (2024). Electricity demand forecasting with hybrid classical statistical and machine learning algorithms: Case study of Ukraine. Applied Energy, 355, 122249. https://doi.org/10.1016/j.apenergy.2023.122249
- Petko, S. (2024). Application of AI in the Energy Sector of Ukraine in the Conditions of War. Challenges to national defence in contemporary geopolitical situation (CNDCGS’2024). Brno, 22–26. Available at: https://ir.kneu.edu.ua/items/9520f314-cf25-4a12-9369-29155c54d6d4
- Breiman, L. (2001). Random Forests. Machine Learning, 45 (1), 5–32. https://doi.org/10.1023/a:1010933404324
- Cutler, D. R., Edwards, T. C., Beard, K. H., Cutler, A., Hess, K. T., Gibson, J., Lawler, J. J. (2007). Random forests for classification in ecology. Ecology, 88 (11), 2783–2792. https://doi.org/10.1890/07-0539.1
- Liaw, A., Wiener, M. (2002). Classification and regression by randomForest. R News, 2, 18–22. Available at: https://journal.r-project.org/articles/RN-2002-022/RN-2002-022.pdf
- Hastie, T., Tibshirani, R., Friedman, J. (2009). The Elements of Statistical Learning. In Springer Series in Statistics. Springer New York. https://doi.org/10.1007/978-0-387-84858-7
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W. et al. (2017). LightGBM: A highly efficient gradient boosting decision tree. NIPS'17: Proceedings of the 31st International Conference on Neural Information Processing Systems. Available at: http://dl.acm.org/doi/10.5555/3294996.3295074
- Bertsimas, D., Tsitsiklis, J. N. (1997). Introduction to linear optimization. Athena Scientific, 587.
- 2-1998 - IEEE Standard for Conceptual Modeling Language - Syntax and Semantics for IDEF1X97 (IDEFobject). Available at: https://ieeexplore.ieee.org/document/8883275
- Yourdon, E. (1989). Modern structured analysis. Englewood Cliffs: Prentice Hall, 688.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Pavlo Shevchyk, Vitalii Polovyi, Yana Ni
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.
Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.
