Stromverbrauchsprognose: Ein Ansatz mit kooperativem Ensemble-Lernen und SHapley Additive exPlanations

Das Management der Stromkosten stellt erhebliche Herausforderungen dar, da diese Ressource verschiedenen Einflussfaktoren ausgesetzt ist. An Universitäten wächst die Nachfrage nach dieser Ressource rapide mit der institutionellen Expansion und hat erhebliche Umweltauswirkungen. In dieser Studie wurden die Machine-Learning-Modelle Long Short-Term Memory (LSTM), Random Forest (RF), Support Vector Regression (SVR) und Extreme Gradient Boosting (XGBoost) mit historischen Verbrauchsdaten des Bundesinstituts Paraná (IFPR) der letzten sieben Jahre sowie klimatischen Variablen trainiert, um den Stromverbrauch 12 Monate im Voraus zu prognostizieren. Datensätze von zwei Campussen wurden verwendet. Um die Modellleistung zu verbessern, wurde eine Merkmalsauswahl unter Verwendung von Shapley Additive Explanations (SHAP) durchgeführt, und die Hyperparameter-Optimierung wurde unter Verwendung von genetischen Algorithmen (GA) und Partikelschwarmoptimierung (PSO) durchgeführt. Die Ergebnisse zeigen, dass der vorgeschlagene kooperative Ensemble-Lernansatz namens Weaker Separator Booster (WSB) die beste Leistung für die Datensätze erzielte. Konkret erreichte er ein sMAPE von 13,90 % und MAE von 1990,87 kWh für den IFPR-Palmas-Campus sowie ein sMAPE von 18,72 % und MAE von 465,02 kWh für den Campus Coronel Vivida. Die SHAP-Analyse offenbarte unterschiedliche Muster der Merkmalswichtigkeit über die beiden IFPR-Campusse hinweg. Eine Gemeinsamkeit, die auftauchte, war der starke Einfluss verzögerter Zeitreihenwerte und ein minimaler Einfluss klimatischer Variablen.