Módszertani kísérlet a villamosenergia-fogyasztás előrejelzésére hagyományos eljárással és mesterséges intelligencia (MI) alkalmazásával = Methodological research for forecasting electricity consumption with traditional methods and with AI application

Obádovics, Csilla and Szabados, Levente (2025) Módszertani kísérlet a villamosenergia-fogyasztás előrejelzésére hagyományos eljárással és mesterséges intelligencia (MI) alkalmazásával = Methodological research for forecasting electricity consumption with traditional methods and with AI application. STATISZTIKAI SZEMLE, 103 (1). pp. 21-47. ISSN 0039-0690

Preview

Text 2025_01_021.pdf - Published Version Download (746kB) | Preview

Abstract

A tanulmány egy olyan módszertani kísérletet ismertet, amelynek célja egy szabványosítható energiagazdálkodási irányítási rendszer megalkotása volt. Kiindulópontját annak vizsgálata képezte,hogy bizonyos változók ismeretében (pl. időjárási adatok, látogatószám, nettó árbevétel stb.) hogyanlehet néhány napra előre jelezni az ipari fogyasztók negyedórás felbontású villamosenergia-fogyasztását. Az ilyen terhelésbecslés gazdasági jelentősége nyilvánvaló, kiemelt szerepe van a villamosenergia beszerzése területén, és segítséget nyújt a várható fogyasztás prognosztizálásához. A módszer alkalmazásával csökkenthetők az energiaköltségek. Az energia- és az éghajlati válsággal összefüggésben kulcsfontosságú, hogy a szervezetek fejlett módszereket alkalmazzanak az energiafogyasztás és az energiaköltségek visszafogására. A tanulmányban különböző modellek alkalmazásátvizsgáltuk a villamosenergia-igény előrejelzésére, amely növelheti a piac hatékonyságát, és hozzájárulhat a hálózat stabilitásához. Egy magyarországi hipermarket részletes villamosenergia-fogyasztási adatsorát elemeztük, 15 perces időközönként, 48 órás előrejelzésekre fókuszálva. Statisztikaimódszerekkel feltártuk a terhelési jellegzetességeket, a napi, a heti, a havi és az éves lefutások főbbjellemzőit. Az adatok alapján meghatároztuk a tipikus napokat, feltártuk és jellemeztük a tipikuseseményeket. Elemeztük az órás hőmérsékleti adatok és a villamosenergia-fogyasztás közötti összefüggéseket. A feltárt összefüggések alapján 24 és 48 órás előrejelző modellt alkottunk, amelyneksegítségével adott hibahatáron belül előre becsülhetők a 15 perces átlagterhelések. Módszertanunkmagában foglalja a klasszikus modelleket, például a lineáris regressziót, valamint a legmodernebbdeep learning modelleket, így a TiDE-t és a Lag-Llama-t. | The presentation describes a methodological experiment, the aim of which was to create a standardized Energy Management Management System. Its starting point was the investigation of how, given certain variables (e.g. weather data, number of visitors, net sales, etc.), it is possible to forecast the electricity consumption of industrial consumers with quarter-hour resolution for a few days. The economic importance of such load estimation is obvious and has a prominent role in the field of electricity procurement, and it provides assistance in forecasting the expected consumption. Using this method, energy costs can be reduced. In the context of the energy and climate crisis, it is crucial that organizations adopt advanced methods to reduce energy consumption and energy costs. In the study, we examine the use of different models to forecast electricity demand, which can increase the efficiency of the market and contribute to the stability of the network. We analyze the detailed electricity consumption data set of a Hungarian hypermarket, focusing on 48-hour forecasts at 15-minute intervals. We used statistical methods to reveal the load characteristics, the main characteristics of the daily, weekly, monthly and annual runs. Based on the data, we defined typical days, explored and characterized typical events. We analyzed the correlations between hourly temperature data and electricity consumption. Based on the revealed correlations, we created a 24- and 48-hour forecasting model, which can be used to predict the 15-minute average loads within a given margin of error. Our methodology includes classic models such as linear regression, and cutting-edge “deep learning” models such as TiDE and Lag-Llama.

Actions (login required)

Edit Item