Исследователи предложили новый гибридный метод прогнозирования электропотребления, который обеспечивает высокую точность и устойчивость результатов, особенно в условиях медицинских учреждений.
Точность прогнозирования энергопотребления критически важна для эффективного управления ресурсами и предотвращения сбоев в работе современных энергосистем, особенно в больницах, где перебои могут привести к опасным последствиям. Традиционные методы часто не справляются с нелинейностью и неопределённостью данных, что приводит к ошибкам распределения нагрузки и рискам для инфраструктуры.
В новом исследовании учёные объединили адаптивную нейро-нечеткую систему вывода (ANFIS) с методом латинского гиперкуба (LHS). Такой подход позволяет не только улавливать сложные взаимосвязи в данных, но и обеспечивает более эффективное и структурированное распределение входных параметров. «Использование LHS значительно снижает переобучение и повышает адаптивность модели к различным объёмам данных», — отмечают авторы работы.
Проведённые эксперименты показали, что гибридная модель ANFIS-LHS превосходит по точности и устойчивости как традиционные нейросети, так и современные методы на основе LSTM, особенно при работе с неполными или шумными данными. В ходе симуляций с использованием Python и MATLAB было достигнуто улучшение точности на 96,42% по сравнению с классическим ANFIS.
Эксперты подчеркивают, что внедрение подобных технологий позволит повысить надёжность энергоснабжения в критических секторах, минимизировать риски и оптимизировать распределение ресурсов. В перспективе этот подход может быть адаптирован для других сфер, требующих точного и быстрого прогнозирования нагрузки.
