Electricity Load Forecasting

Описание проекта

Цель проекта — спрогнозировать почасовое потребление электроэнергии в одном из регионов США на основе исторических данных.

Задача относится к классу регрессионных задач на временных рядах. Реализовано несколько подходов к прогнозированию, включая классические статистические модели (SARIMA), Prophet от Meta, а также нейронную сеть.

Источник данных

Данные для проекта взяты с Kaggle:

🔗 Hourly Energy Consumption — Rob Mulla (Kaggle)

Датасет содержит почасовую нагрузку на энергосистему PJM по регионам США.

Источник данных: Rob Mulla, Kaggle Datasets

Установка зависимостей

Перед запуском установите необходимые библиотеки в виртуальное окружение venv:

    $pip install -r requirements.txt

Проект ориентирован на:

• Выявление сезонности и трендов
• Сравнение моделей по точности
• Прогнозирование нагрузки на ближайшие 2 дня с помощью статических моделей
• Прогнозирование нагрузки на ближайшие 2 недели с помощью нейронной сети LSTM
• Практику пайплайна анализа временных рядов

Расшифровка регионов PJM

Файл	Регион	Описание
AEP_hourly.csv	AEP	American Electric Power — крупный поставщик электроэнергии в США
COMED_hourly.csv	COMED	Commonwealth Edison — северо-восток Иллинойса, включая Чикаго
DAYTON_hourly.csv	DAYTON	Dayton Power & Light — обслуживает регион Дейтона, Огайо
DEOK_hourly.csv	DEOK	Duke Energy Ohio and Kentucky
DOM_hourly.csv	DOM	Dominion Energy — Вирджиния и Северная Каролина
DUQ_hourly.csv	DUQ	Duquesne Light Company — Питтсбург, Пенсильвания
EKPC_hourly.csv	EKPC	East Kentucky Power Cooperative — кооператив в Кентукки
FE_hourly.csv	FE	FirstEnergy — многорегиональная компания
NI_hourly.csv	NI	Northern Illinois — подзона в составе COMED
PJM_Load_hourly.csv	PJM	Совокупная нагрузка PJM Interconnection
PJME_hourly.csv	PJME	PJM East — агрегированные данные восточного региона
pjm_hourly_est.csv	PJM (est)	Оценочная версия нагрузки PJM (estimated)
PJMW_hourly.csv	PJMW	PJM West — агрегированные данные западного региона

Примечание: В обучении используются совокупные данные нагрузки (PJM_Load_hourly.csv)

Используемые технологии

• Python 3.10+
• Pandas, Numpy, Matplotlib, Seaborn
• Scikit-learn
• Statsmodels (SARIMAX)
• Prophet (от Meta)
• TensorFlow/Keras (для LSTM)
• Optuna (подбор гиперпараметров)
• TimeSeriesSplit (кросс-валидация)

Подходы к моделированию

Проект включает реализацию и сравнение нескольких моделей:

Модель	Подход	Назначение
SARIMAX	Статистическая	Краткосрочное прогнозирование
Prophet	Полустатистическая	Прогноз с учётом сезонности
LSTM	Нейросеть	Средне- и долгосрочный прогноз

Каждая стат. модель тестируется на горизонтах 24, 48 часов. Нейронная сеть на горизонтах 168, 336 часов. Сравнение производится по метрикам: MAE, RMSE, MAPE.

Сохраненные модели

🔗 models

Дополнительные ноутбуки

Основной ноутбук с реализацией LSTM-модели доступен на Kaggle:

🔗 LSTM Model on Kaggle

В этом ноутбуке реализованы:

• масштабирование данных и подготовка окон
• подбор гиперпараметров с помощью Optuna
• кросс-валидация TimeSeriesSplit
• финальное обучение модели LSTM
• прогноз на 336 часов и визуализация
• сохранение обученной модели (.h5)

TODO

• Построение и сравнение SARIMAX / Prophet
• Обучение LSTM с Optuna и кросс-валидацией
• Прогноз и сохранение моделей
• Добавить внешние признаки (погода, день недели)
• Реализация LSTM с attention / Transformer