ОПТИМІЗАЦІЯ ГІБРИДНИХ МОДЕЛЕЙ НА ОСНОВІ TCN, LSTM, LIGHTGBM ДЛЯ ПРОГНОЗУВАННЯ ЕНЕРГОСПОЖИВАННЯ В РОЗУМНИХ БУДИНКАХ

Анотація

Точне короткострокове прогнозування навантаження є ключовим завданням для ефективного управління енергоресурсами в системах розумного будинку. Гібридні моделі, що поєднують архітектури глибокого навчання (DL) та ансамблі дерев рішень, є провідним напрямом сучасних досліджень. Аналіз останніх публікацій підтверджує, що порівняння мереж з довгою короткостроковою пам'яттю (LSTM) та темпоральних згорткових мереж (TCN) є популярною темою, а гібридизація з LightGBM та використання стратегій корекції помилок («прогнозування залишків») є доведеними практиками для підвищення точності. Однак, огляд літератури виявляє декілька невирішених частин загальної проблеми: 1) відсутність систематичного аналізу компромісу між точністю прогнозу та обчислювальною вартістю (час навчання, вимоги до ресурсів), що є критичним для імплементації на пристроях Інтернету речей (IoT); 2) недостатня дослідженість впливу інженерії ознак, зокрема їх відбору, на обчислювальну ефективність гібридних моделей; 3) тенденція до фокусування на метриках точності без надання практичних методологій вибору оптимальної моделі залежно від конкретного завдання. Ця робота спрямована на заповнення вказаних прогалин. Реалізовано багатоетапний експериментальний аналіз. Для обраних моделей тестувалися дві стратегії гібридизації: "коригування піків" та "прогнозування залишків. Розроблено методику оптимізації часу навчання шляхом відбору найважливіших ознак для моделі-коректора. Для забезпечення статистичної значущості результатів застосовувалася перехресна валідація для часових рядів. Дослідження підтвердило, що гібридні моделі значно перевершують базові, а стратегія "прогнозування залишків" є найбільш ефективною. Виявлено дві високопродуктивні спеціалізовані конфігурації. Гібрид LSTM + LightGBM продемонстрував найвищу загальну точність (MAPE 13.36%). Водночас гібрид TCN + LightGBM виявився ефективнішим у прогнозуванні критичних пікових навантажень (Peak Magnitude MAPE 16.71%) та на 21% швидшим у навчанні. Ключовим результатом є запропонована методика оптимізації моделі TCN + LightGBM шляхом відбору ознак, що дозволило прискорити навчання в 5.4 рази при збереженні високої точності прогнозування піків (Peak MAPE 16.77%). Робота заповнює ідентифіковані прогалини в літературі, надаючи не лише кількісні результати, а й практичну методологію для обґрунтованого вибору архітектури прогнозування залежно від пріоритетних завдань системи розумного будинку: максимальна загальна точність, пріоритетне управління піковими навантаженнями або збалансована продуктивність для пристроїв з обмеженими ресурсами. Запропонований оптимізований гібридний підхід є перспективним для практичного впровадження в адаптивні системи управління енергією завдяки доведеному балансу високої точності та низьких обчислювальних витрат.