Гибридная модель оптимального отбора признаков и Conv-LSTM (OFSCL) для краткосрочного прогнозирования энергопотребления на распределительных подстанциях Ахваза, Иран

Поддержание электроснабжения в жарком городе

Когда надвигается жара, кондиционеры встают на работу по всему городу, и нагрузка на сеть может взлететь за считанные минуты. Если операторы сети ошибаются в оценке требуемой мощности, районы рискуют оказаться с отключениями или столкнуться с расточительным избыточным запасом энергии. В этой работе рассматривается реальная распределительная подстанция в жарком и влажном Ахвазе на юго‑западе Ирана и задаётся простой, но важный вопрос: можно ли поминутно (помесячно? — hour by hour) предсказывать, сколько энергии должна подавать эта подстанция на каждый час, используя исторические данные по спросу и погоде более интеллектуально, чем раньше?

Почему важны краткосрочные прогнозы энергопотребления

Электроэнергию трудно хранить в крупном масштабе, поэтому производство должно тщательно соответствовать спросу. На распределительных подстанциях, где высокое напряжение понижается для домов и бизнеса, этот баланс особенно хрупок. Потребление зависит от времени суток, дня недели, сезона и погоды, в частности от температуры и влажности. Традиционные методы прогнозирования — например, простые статистические формулы — часто предполагают плавные тренды и простые закономерности. На практике же потребление электроэнергии в таком жарком городе, как Ахваз, шумно, нелинейно и подвержено резким скачкам из‑за включения кондиционеров. Неточные прогнозы могут перегрузить трансформаторы, сократить срок службы оборудования и заставить операторов действовать консервативно и менее эффективно.

От простых формул к обучающимся системам

За последнее десятилетие исследователи перешли к более сложным методам: от классических моделей машинного обучения, таких как деревья решений и нейронные сети, до систем глубокого обучения, хорошо работающих с временными рядами — например, сетей с долговременной кратковременной памятью (LSTM) и сверточных нейронных сетей (CNN). Эти современные модели способны улавливать длительные ритмы и тонкие закономерности, которые упускают старые подходы. Однако у них остаются две серьёзные проблемы. Во‑первых, им часто дают десятки входных переменных — часы, дни, праздники, скорость ветра, точку росы, давление и др. — многие из которых вносят шум, а не полезную информацию. Во‑вторых, им трудно одновременно учитывать моментальные колебания и более медленные сезонные сдвиги. В результате точность на реальных, шумных данных часто оказывается ниже требуемой операторами сети.

Гибридная модель, которая учится выделять действительно важное

Авторы предлагают новую гибридную архитектуру глубокого обучения под названием Optimal Feature Selection Conv-LSTM (OFSCL). Она сочетает два преимущества: сверточные слои, которые просеивают множество входных признаков и автоматически фокусируются на наиболее информативных шаблонах, и LSTM‑слои, отслеживающие эволюцию этих шаблонов во времени. В OFSCL сверточная часть постепенно сокращает объём передаваемой информации, отфильтровывая избыточность и сохраняя ключевые сигналы. Затем LSTM‑часть обучается тому, как эти очищенные сигналы меняются из часа в час и из дня в день. Наконец, плотные (dense) слои преобразуют это компактное представление в единый прогноз: сколько энергии потребуется подстанции в следующем временном шаге.

Тестирование модели на реальной подстанции

Чтобы проверить работоспособность OFSCL на практике, команда собрала год почасовых данных с распределительной подстанции в Ахвазе вместе с подробными локальными метеозаписями, включающими сильную летнюю жару и более прохладные сезоны. Модель OFSCL сравнивали с рядом альтернатив: деревьями решений, k‑ближайших соседей, многослойными перцептронами, чистыми моделями LSTM и CNN, а также несколькими продвинутыми гибридами, такими как CNN‑LSTM и LSTM с механизмом внимания. Все модели использовали одни и те же обучающую и тестовую выборки, а их эффективность оценивали по тому, насколько предсказания совпадали с фактическим потреблением. Модель OFSCL показала коэффициент детерминации (R²) около 90 процентов и наименьшие ошибки, при этом обучалась быстрее многих других подходов глубокого обучения. Повторные тесты на разных разбиениях данных подтвердили, что эти улучшения стабильны, а не случайны.

Что модель узнаёт о погоде и спросе

Кроме точности, авторы хотели понять, на какие входы модель опирается сильнее всего. С помощью анализа чувствительности на основе градиентов они измеряли, как небольшие изменения каждого признака влияют на прогноз. Доминирующим фактором оказалась температура воздуха, затем — месяц года и относительная влажность, что отражает рост потребности в охлаждении при высоких температурах и сезонных условиях. Для этой подстанции день недели или праздничный статус оказывали гораздо меньшее влияние. Анализ также показал, что по мере увеличения объёма данных модель становится менее чувствительной к крошечным флуктуациям, фиксируя устойчивые шаблоны вместо избыточной реакции на шум.

Внедрение более умных прогнозов в работу сети

В практическом смысле исследование демонстрирует, что тщательно спроектированная обучающая система может не только прогнозировать, сколько электроэнергии потребуется загруженной подстанции в ближайшие часы, но и объяснять, какие аспекты локального климата важнее всего. Автоматически фильтруя входы и захватывая как быстрые колебания, так и более длительные тренды, модель OFSCL превосходит ряд существующих методов, оставаясь при этом достаточно быстрой для использования в реальном времени. При расширении и проверке на большем числе регионов и подстанций такие модели могли бы помочь коммунальным службам работать ближе к пределам мощности — обеспечивая надёжную подачу, сокращая потери и лучше готовя города к будущему с более жарким и энергоёмким климатом.

Цитирование: Mehr, M.M., Farzin, H. & Mashhour, E. A hybrid optimal feature selection and Conv-LSTM model (OFSCL) for short-term energy demand forecasting in distribution substations of Ahvaz, Iran. Sci Rep 16, 11537 (2026). https://doi.org/10.1038/s41598-026-41925-1

Ключевые слова: прогнозирование энергопотребления, глубокое обучение, электрические сети, погода и потребление электроэнергии, прогнозирование временных рядов