Гібридні моделі машинного навчання для прогнозування режимів локальних енергомереж

Abstract

У роботі розглянуто гібридні моделі прогнозування для локальних енергомереж, що поєднують класичні статистичні методи (ARIMA, експоненціальне згладжування) з підходами глибинного навчання (LSTM та архітектури на основі механізму уваги). Запропонований конвеєр включає попередню обробку сенсорних даних, фільтрацію аномалій та оцінку невизначеності. Порівняльний аналіз показує, що поєднання лінійних базових моделей з нейромережевими компонентами підвищує точність короткострокового прогнозу навантаження та напруги в мережах з високою часткою відновлюваної генерації.

The paper considers hybrid forecasting models for local power grids that combine classical statistical methods (ARIMA, exponential smoothing) with deep learning approaches (LSTM and attention-based architectures). The proposed pipeline includes sensor data preprocessing, anomaly filtering, and uncertainty estimation. Comparative analysis demonstrates that combining linear baselines with neural components improves short-term forecasting of load and voltage in grids with high renewable penetration, supports operator decision-making, and reduces the risk of imbalance.