Разработка гибридной модели прогнозирования потерь электроэнергии на основе кластеризации DBSCAN и нейронных сетей MLP

Аннотация

Актуальность:  реальные эксплуатационные данные распределительных сетей содержат шум, выбросы и локально неоднородные режимы, способные искажать обучение нейронных сетей и снижать устойчивость прогноза. Поэтому актуальной является интеграция интеллектуальной фильтрации, плотностного структурирования данных и локального нелинейного прогнозирования в единую гибридную архитектуру.

Цель: разработать и оценить гибридную архитектуру прогнозирования потерь электроэнергии, объединяющую плотностную кластеризацию DBSCAN и локальные модели MLP, а также количественно оценить вклад предварительного структурирования данных в повышение точности прогноза.

Методы: реальные эксплуатационные данные предварительно структурировались методом плотностной кластеризации DBSCAN. Пространство входных признаков формировалось активной мощностью, температурой наружного воздуха и относительной влажностью. Параметры ε=0,4 и minPts=5 были выбраны на основе PCA-проекции. Для каждого выявленного кластера обучалась локальная MLP-модель, а итоговый прогноз формировался композицией Y_hybrid. Точность оценивалась по MAPE.

Результаты: гибридная модель обеспечила MAPE 2,10 % против 2,58 % у базовой MLP, что соответствует снижению относительной ошибки на 18,6 %. Графическое сопоставление фактических и прогнозных данных на обучающей, валидационной и тестовой выборках подтверждает устойчивость и отсутствие выраженного переобучения.