Міжкраїновий прогноз ефективності енергетичних систем

Abstract

На сьогодні автоматизований аналіз даних є продуктивним, потужним інструментом для прийняття важливих рішень щодо вдосконалення підходів оцінювання ефективності бізнесу, є основою та підґрунтям для формування думки про стан підприємства, країни, її економіки та майже будь-якої системи, ключові детермінанти котрої можна представити у вигляді кількісних та якісних даних. Разом з тим в умовах постійного росту кількості інформації в онлайн середовищі, багато класичних методів опинились під питанням ефективності для використання великих даних та нечітких груп даних таких, як відео, звук, фото та інші. Тому для оптимального вирішення завдань, що можуть дати певні гарантії для якості моделі, можна обрати більш новітній інструментарій та методи, що використовують інструменти нейромережевого моделювання та автоматизації цих процесів. Питання ефективності використання електроенергії завжди стояло константою як для України, так і світу. Метою статті є розроблення моделі для прогнозу ефективності енергетичних систем 122 країн світу (країн Європейського союзу, Північної та Південної Америки, Африки, Азії, країн з високим рівнем доходу, країн з рівнем доходу нижче середнього, країн з низьким рівнем доходу), що ґрунтується на основі значень часового ряду «чистий імпорт електроенергії як частка попиту» за період з 2000 року по 2021 рік. У статі даний детальний опис та інструкції для відтворення моделі, пояснення для глибокого розуміння результату роботи моделі, також наведено детальний опис дослідження якості моделі, метрик, що можуть допомогти в аналізі якості моделі. Проведена робота надає приклад в форматі фото кодів, які було використано для роботи с даними, реалізації метрик, створення моделі. Для реалізації моделі були використані інструменти та інфраструктура мови програмування Python, що дозволило створити модель без занурення в інженерні деталі побудови подібних моделей. В результаті дослідження було отримано модель, яка в середньому дає похибку в 6.9 відсотка, що є адекватним результатом для прогнозних моделей. В результаті було визначено, що модель може бути базисом для інших прогнозних моделей, це дає основу для побудови прогнозного дослідження.

In order to obtain high-quality predictive results of electricity consumption in the context of different countries and years, theoretical foundations and terminology regarding the use of "Decision Tree" models and their ensemble architecture "Random Forest" were considered. This architecture helped to find the optimal forecast result without such unpleasant effects as: overtraining, model insufficiency. MAE and MSE metrics were considered and implemented to determine the quality, such a set can show business value, for example, MAE will only show the absolute error, which can tell the quality of the model for decision makers, and MSE metric, which can be useful for neural network model engineers for quality improvement using gradient descent. To implement the forecast model, the Python programming language was used using Numpy, Pandas and Sklearn libraries. The result of the theoretical study of the predictive model is a consistent study of details and definitions in relation to the theoretical basis for understanding what problems are solved by decision trees and why they can be used to create a forecast in the energy field. The result of practical implementation is a model with an absolute average error of 6.90%, which means that the model is adequate and workable, it can be used both as a basis for forecasting and as a self-sufficient model. The study provides an algorithm and demonstrates the implementation of a sequence of actions for creating a predictive model regardless of its type and architecture, providing insight not only in the details of implementation with the help of specific tools, but also at a more abstract level of description of actions. Also demonstrated is work with data processing to meet the needs of models, creation of new variables, and data transformation, which is also a mandatory practice for obtaining quality results. The absolute average error gives general information about the quality of the created model, but specific results can also give certain information in terms of a specific country, for example, the result of the forecast for Ukraine for 2021 is -1.90 value of the target variable "Net electricity import as share of demand", in while the true value is - 3.40, the difference between the two figures is even smaller than the expected error.