ПОРІВНЯННЯ КЛАСИЧНИХ ТА НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗУВАННЯ ОБСЯГІВ СПОЖИВАННЯ ЕЛЕКТРОЕНЕРГІЇ НЕПОБУТОВОГО СПОЖИВАЧА
The study addresses the problem of forecasting the electrical load of an energy facility under conditions of high consumption variability. A comparative analysis of forecasting model performance is carried out for horizons of 1 and 24 hours. For the first case, the SSA, Holt–Winters methods, as well...
Saved in:
| Date: | 2026 |
|---|---|
| Main Authors: | , |
| Format: | Article |
| Language: | Ukrainian |
| Published: |
Інститут електродинаміки НАН України, Київ
2026
|
| Subjects: | |
| Online Access: | https://techned.org.ua/index.php/techned/article/view/1774 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Journal Title: | Technical Electrodynamics |
Institution
Technical Electrodynamics| _version_ | 1856544137964158977 |
|---|---|
| author | Сичова, В.В. Мірошник, В.О. |
| author_facet | Сичова, В.В. Мірошник, В.О. |
| author_sort | Сичова, В.В. |
| baseUrl_str | |
| collection | OJS |
| datestamp_date | 2026-01-13T13:11:36Z |
| description | The study addresses the problem of forecasting the electrical load of an energy facility under conditions of high consumption variability. A comparative analysis of forecasting model performance is carried out for horizons of 1 and 24 hours. For the first case, the SSA, Holt–Winters methods, as well as LSTM and Transformer neural network architectures, were examined. For the second case, models with prior decomposition based on the Hilbert–Huang transform (model M1) and polynomial regression (model M2) were additionally considered. The quality of the models was evaluated using four metrics: mean error (ME), mean absolute error (MAE), root mean square error (RMSE), and mean absolute percentage error (MAPE). The results show that, for the 1-hour horizon, the Transformer model achieved the lowest MAE and MAPE values (2.54 kW and 4.95%, respectively), indicating high accuracy. LSTM demonstrated similar accuracy, with the smallest forecast bias. The SSA and Holt–Winters models were significantly less accurate, though they showed better stability in avoiding large errors. For the 24-hour horizon, the Transformer model achieved the best results in both accuracy and stability (MAE = 3.61 kW). The M1 model, based on the Hilbert–Huang transform, showed balanced performance across all metrics, while LSTM achieved high absolute accuracy. Additional analysis of mean error distribution frequencies showed that Transformer and LSTM provide high densities of accurate forecasts within narrow error intervals, unlike SSA and Holt–Winters, which are characterized by systematic biases. The conclusions have practical significance for energy management tasks in microgrid conditions, particularly for operational load planning, loss reduction, and optimization of backup power sources. References 16, figures 2, tables 3. |
| first_indexed | 2026-02-08T08:14:21Z |
| format | Article |
| id | oai:ojs2.ted.new-point.com.ua:article-1774 |
| institution | Technical Electrodynamics |
| language | Ukrainian |
| last_indexed | 2026-02-08T08:14:21Z |
| publishDate | 2026 |
| publisher | Інститут електродинаміки НАН України, Київ |
| record_format | ojs |
| spelling | oai:ojs2.ted.new-point.com.ua:article-17742026-01-13T13:11:36Z COMPARISON OF CLASSIC AND NEURAL NETWORK MODELS FOR FORECASTING ELECTRICITY CONSUMPTION OF NON-HOUSEHOLD CONSUMER ПОРІВНЯННЯ КЛАСИЧНИХ ТА НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗУВАННЯ ОБСЯГІВ СПОЖИВАННЯ ЕЛЕКТРОЕНЕРГІЇ НЕПОБУТОВОГО СПОЖИВАЧА Сичова, В.В. Мірошник, В.О. load forecasting time series microgrid LSTM Transformer decomposition Holt–Winters SSA прогнозування навантаження часові ряди мікромережа LSTM Transformer декомпозиція Holt-Winters SSA The study addresses the problem of forecasting the electrical load of an energy facility under conditions of high consumption variability. A comparative analysis of forecasting model performance is carried out for horizons of 1 and 24 hours. For the first case, the SSA, Holt–Winters methods, as well as LSTM and Transformer neural network architectures, were examined. For the second case, models with prior decomposition based on the Hilbert–Huang transform (model M1) and polynomial regression (model M2) were additionally considered. The quality of the models was evaluated using four metrics: mean error (ME), mean absolute error (MAE), root mean square error (RMSE), and mean absolute percentage error (MAPE). The results show that, for the 1-hour horizon, the Transformer model achieved the lowest MAE and MAPE values (2.54 kW and 4.95%, respectively), indicating high accuracy. LSTM demonstrated similar accuracy, with the smallest forecast bias. The SSA and Holt–Winters models were significantly less accurate, though they showed better stability in avoiding large errors. For the 24-hour horizon, the Transformer model achieved the best results in both accuracy and stability (MAE = 3.61 kW). The M1 model, based on the Hilbert–Huang transform, showed balanced performance across all metrics, while LSTM achieved high absolute accuracy. Additional analysis of mean error distribution frequencies showed that Transformer and LSTM provide high densities of accurate forecasts within narrow error intervals, unlike SSA and Holt–Winters, which are characterized by systematic biases. The conclusions have practical significance for energy management tasks in microgrid conditions, particularly for operational load planning, loss reduction, and optimization of backup power sources. References 16, figures 2, tables 3. Розглянуто задачу прогнозування електричного навантаження енергооб’єкта в умовах високої варіативності споживання. Проведено порівняльний аналіз ефективності моделей прогнозування із горизонтами 1 й 24 години. Для першого варіанта досліджено методи SSA, Холта-Вінтерса, а також архітектури нейромереж LSTM і Transformer. Для другого – додатково розглянуто моделі з попередньою декомпозицією на основі перетворення Гільберта–Хуанга (модель M1) та поліноміальної регресії (модель M2). Проведено оцінку якості моделей за допомогою чотирьох метрик: середньої похибки (ME), середньої абсолютної похибки (MAE), середньоквадратичної похибки (RMSE) та середньої абсолютної відносної похибки (MAPE). Отримані результати свідчать, що за горизонта 1 година модель Transformer забезпечила найменші значення MAE та MAPE (2,54 кВт та 4,95% відповідно), що свідчить про її високу точність. LSTM продемонструвала схожу точність із найменшим зміщенням прогнозу. Моделі SSA та Holt-Winters суттєво поступилися за точністю, хоча й показали кращу стабільність у запобіганні великим похибкам. У разі прогнозування на 24 години найкращих результатів за точністю та стабільністю досягла модель Transformer (МАЕ 3,61 кВт). Модель M1, побудована на основі Гільберта–Хуанга, показала збалансовану продуктивність за всіма метриками, а LSTM – високу абсолютну точність. Додатковий аналіз частот розподілу середньої похибки показав, що Transformer і LSTM забезпечують високу щільність точних прогнозів у вузьких інтервалах похибок, на відміну від SSA та Holt-Winters, для яких характерні систематичні зсуви. Наукова новизна роботи полягає у визначенні закономірностей застосування нейромережевих моделей у задачах прогнозування навантаження непобутових споживачів: вперше показано перевагу архітектури Transformer для короткострокових горизонтів прогнозування. Бібл. 16, рис. 2, табл. 3. Інститут електродинаміки НАН України, Київ 2026-01-09 Article Article application/pdf https://techned.org.ua/index.php/techned/article/view/1774 10.15407/techned2026.01.072 Tekhnichna Elektrodynamika; No. 1 (2026): TEKHNICHNA ELEKTRODYNAMIKA; 072 ТЕХНІЧНА ЕЛЕКТРОДИНАМІКА; № 1 (2026): ТЕХНІЧНА ЕЛЕКТРОДИНАМІКА; 072 2218-1903 1607-7970 10.15407/techned2026.01 uk https://techned.org.ua/index.php/techned/article/view/1774/1579 Авторське право (c) 2026 ТЕХНІЧНА ЕЛЕКТРОДИНАМІКА https://creativecommons.org/licenses/by-nc-nd/4.0 |
| spellingShingle | прогнозування навантаження часові ряди мікромережа LSTM Transformer декомпозиція Holt-Winters SSA Сичова, В.В. Мірошник, В.О. ПОРІВНЯННЯ КЛАСИЧНИХ ТА НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗУВАННЯ ОБСЯГІВ СПОЖИВАННЯ ЕЛЕКТРОЕНЕРГІЇ НЕПОБУТОВОГО СПОЖИВАЧА |
| title | ПОРІВНЯННЯ КЛАСИЧНИХ ТА НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗУВАННЯ ОБСЯГІВ СПОЖИВАННЯ ЕЛЕКТРОЕНЕРГІЇ НЕПОБУТОВОГО СПОЖИВАЧА |
| title_alt | COMPARISON OF CLASSIC AND NEURAL NETWORK MODELS FOR FORECASTING ELECTRICITY CONSUMPTION OF NON-HOUSEHOLD CONSUMER |
| title_full | ПОРІВНЯННЯ КЛАСИЧНИХ ТА НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗУВАННЯ ОБСЯГІВ СПОЖИВАННЯ ЕЛЕКТРОЕНЕРГІЇ НЕПОБУТОВОГО СПОЖИВАЧА |
| title_fullStr | ПОРІВНЯННЯ КЛАСИЧНИХ ТА НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗУВАННЯ ОБСЯГІВ СПОЖИВАННЯ ЕЛЕКТРОЕНЕРГІЇ НЕПОБУТОВОГО СПОЖИВАЧА |
| title_full_unstemmed | ПОРІВНЯННЯ КЛАСИЧНИХ ТА НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗУВАННЯ ОБСЯГІВ СПОЖИВАННЯ ЕЛЕКТРОЕНЕРГІЇ НЕПОБУТОВОГО СПОЖИВАЧА |
| title_short | ПОРІВНЯННЯ КЛАСИЧНИХ ТА НЕЙРОМЕРЕЖЕВИХ МОДЕЛЕЙ ДЛЯ ПРОГНОЗУВАННЯ ОБСЯГІВ СПОЖИВАННЯ ЕЛЕКТРОЕНЕРГІЇ НЕПОБУТОВОГО СПОЖИВАЧА |
| title_sort | порівняння класичних та нейромережевих моделей для прогнозування обсягів споживання електроенергії непобутового споживача |
| topic | прогнозування навантаження часові ряди мікромережа LSTM Transformer декомпозиція Holt-Winters SSA |
| topic_facet | load forecasting time series microgrid LSTM Transformer decomposition Holt–Winters SSA прогнозування навантаження часові ряди мікромережа LSTM Transformer декомпозиція Holt-Winters SSA |
| url | https://techned.org.ua/index.php/techned/article/view/1774 |
| work_keys_str_mv | AT sičovavv comparisonofclassicandneuralnetworkmodelsforforecastingelectricityconsumptionofnonhouseholdconsumer AT mírošnikvo comparisonofclassicandneuralnetworkmodelsforforecastingelectricityconsumptionofnonhouseholdconsumer AT sičovavv porívnânnâklasičnihtanejromereževihmodelejdlâprognozuvannâobsâgívspoživannâelektroenergíínepobutovogospoživača AT mírošnikvo porívnânnâklasičnihtanejromereževihmodelejdlâprognozuvannâobsâgívspoživannâelektroenergíínepobutovogospoživača |