МЕТОД ПРОГНОЗУВАННЯ НАВАНТАЖЕННЯ ТА ЕНЕРГОСПОЖИВАННЯ У СИСТЕМАХ РОЗУМНОГО БУДИНКУ НА ОСНОВІ ЧАСОВИХ РЯДІВ IOT–ДАНИХ

DOI: 10.31673/2412-4338.2025.048920

Анотація

Метою дослідження є підвищення точності короткострокового прогнозування електричного навантаження та енергоспоживання в системах "розумний будинок" для забезпечення ефективного проактивного керування енергоресурсами, розробка гібридного методу, здатного ефективно обробляти зашумлені дані IoT–сенсорів та враховувати контекстні часові залежності.

Запропоновано гібридну архітектуру глибокого навчання, яка поєднує згорткові нейронні мережі (CNN) для виділення локальних патернів, мережі довгої короткострокової пам’яті (LSTM) для аналізу часових залежностей та механізм уваги (Attention) для адаптивного зважування важливості вхідних даних. Особливістю методу є блок злиття контексту (Context Fusion), що інтегрує циклічні часові ознаки (час доби, день тижня) безпосередньо у повнозв'язні шари моделі. Валідацію проведено методом перехресної перевірки на часових рядах (Time Series Cross–Validation) на 5 етапах.

Порівняльний експеримент на синтетичних збалансованих даних продемонстрував перевагу запропонованого підходу над базовою моделлю CNN–LSTM. Зокрема, досягнуто зниження середньоквадратичної помилки (RMSE) на 6,19% та середньої абсолютної помилки (MAE) на 7,26%. Середня абсолютна помилка у відсотках (MAPE) склала менше 20%, що є прийнятним показником для систем автоматичного керування побутовими приладами. Аналіз розподілу залишків підтвердив вищу стійкість моделі до випадкових викидів та шумів у даних сенсорів.

Набуло подальшого розвитку застосування гібридних нейронних мереж для задач енергоменеджменту шляхом удосконалення механізму інтеграції різнорідних даних. Вперше для даного класу задач поєднано механізм уваги з роздільною обробкою часових рядів та контекстних метаданих, що дозволило підвищити точність прогнозування в точках пікового навантаження без збільшення обчислювальної складності інференсу.

Ключові слова: Інтернет речей, розумний будинок, прогнозування, гібридні нейронні мережі, механізм уваги..