Розмір шрифта: 

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.

гібридне прогнозування; машинне навчання; LSTM; ARIMA; локальна енергомережа; часові ряди; відновлювана енергетика