Ushbu tadqiqot yirik Transformer arxitekturalariga tayanmasdan 24 soat oldinga elektr yuklamasini prognozlash aniqligini oshirish maqsadida EEMD asosidagi dekompozitsiya, kanallarni qayta kalibrlash va GRU modelini birlashtirgan. Model avvalgi 168 soatlik yuklama maʼlumotlaridan foydalanib keyingi 24 soatni prognoz qilgan; GEFCom2014 hamda toʻrtta PJM maʼlumotlar kichik toʻplamida besh xil tasodifiy boshlangʻich holat bilan baholangan. GEFCom2014 da siyrak gateʼli toʻliq model %7,90 MAPE ga erishgan bo‘lsa, faqat mahalliy qayta kalibrlash yoʻlidan foydalanuvchi LocalOnly modeli %7,76 bilan eng past MAPE ni bergan. Biroq PJM natijalari model barcha hududlarda va barcha mezonlarda ustun emasligini, shuningdek onlayn sababiy EEMD sinovlarida kanallarni qayta kalibrlash sezilarli yutuq bermaganini koʻrsatadi.

Tadqiqotning asosiy yondashuvi murakkab yuklama qatorini turli vaqt masshtablarini ifodalovchi tarkibiy qismlarga ajratish va prognoz modeliga kiritishdan oldin ushbu qismlarning ahamiyatini qayta vaznlashdan iborat. Ensemble Empirical Mode Decomposition yoki Ansambl empirik moda dekompozitsiyasi (EEMD) yuklama qatorini oltita ichki moda funksiyasi va bitta qoldiq trend komponentiga ajratgan. Keyin global va mahalliy kanal yoʻllari ajratilgan qaysi komponentlar, harorat yoki vaqt xususiyatlari prognoz uchun foydaliroq ekanini oʻrgangan.

GEFCom2014 tajribasida siyrak gateʼli EEMD-DCA-GRU-SG modeli 167,5 mingta oʻqitiladigan parametr bilan %7,90 MAPE ga erishgan. Informer modeli 2,41 million parametr bilan %8,36, PatchTST esa 615,5 ming parametr bilan %8,49 MAPE bergan. Tadqiqotdagi eng past benchmark xatosini esa toʻliq birlashtirilgan model emas, faqat mahalliy vaqt dalilidan foydalanuvchi LocalOnly varianti hosil qilgan. Bu natija dekompozitsiyadan keyin qisqa muddatli mahalliy naqshlar kanal ahamiyatini aniqlashda global oʻrtachalardan kuchliroq boʻlishi mumkinligini koʻrsatadi.

Turkiya nuqtayi nazaridan bu usul elektr energiyasini taqsimlash va ishlab chiqarishni rejalashtirishda qoʻllanadigan mahalliy yuklama qatorlarini turli vaqt masshtablariga ajratish uchun oʻrganilishi mumkin boʻlgan yengil modellashtirish yondashuvini taklif etadi. Biroq tadqiqot Turkiya elektr tizimida oʻtkazilmagan. Turkiyadagi harorat, bayramlar, hududiy isteʼmol, sanoat profili va tarmoq sharoitlari bilan alohida oʻqitish va validatsiya qilinmasdan operatsion muvaffaqiyat haqida xulosa chiqarib boʻlmaydi. Ayniqsa onlayn qoʻllash uchun EEMD jarayoni faqat prognoz paytigacha mavjud maʼlumotlar bilan sababiy tarzda bajarilishi va model ayni protokol asosida qayta oʻqitilishi kerak.

Tadqiqotning asosiy savoli nima?

Tadqiqot quyidagi savolga qaratilgan: elektr yuklama qatorini koʻp vaqt masshtablariga ajratuvchi EEMD kanal asosidagi qayta vaznlash bilan birlashtirilganda, yirik Transformer modellariga ehtiyoj qolmasdan aniqroq va barqarorroq qisqa muddatli yuklama prognozini amalga oshirish mumkinmi?

Qisqa muddatli yuklama prognozi iqtisodiy yuk taqsimoti, ishlab chiqarish bloklarini rejalashtirish, elektr bozori faoliyati, narxlash va talab tomonini boshqarish kabi jarayonlar uchun muhimdir. Biroq elektr isteʼmoli kundalik va haftalik sikllar bilan birga harorat oʻzgarishlari, tartibsiz hodisalar va turli chastotalardagi tebranishlarni bitta qator ichida oʻzida jamlaydi. Xom qatorni yaxlit holda modellashtirish tez tebranishlar bilan sekin trendlarning bir-birini niqoblashiga olib kelishi mumkin.

Adabiyotda qaysi bo‘shliq nishonga olingan?

Tadqiqot uchta texnik muammoga qaratilgan:

• Xom yuklama qatori kundalik, haftalik, ob-havoga bogʻliq va tartibsiz harakatlarni bir vaqtda oʻz ichiga olgani sababli ko‘p masshtabli tuzilmani bevosita oʻrganish qiyinlashishi mumkin.
• EEMD kabi dekompozitsiya usullari koʻplab IMF va yordamchi kanallarni hosil qiladi; barcha kanallarni teng deb qabul qilish shovqinli yoki zaif axborot tashuvchi komponentlar taʼsirini kuchaytirishi mumkin.
• Transformer asosidagi modellar kuchli reprezentatsiya qobiliyatini bera oladi, biroq parametr va hisoblash xarajatlari yuqoriroq boʻlishi mumkin.

Taklif etilgan ramka EEMD orqali komponentlarni ajratish va yengil kanal qayta kalibrlashini ikki qatlamli GRU prognoz bosh qismi bilan birlashtirib, ushbu uch muammoga birgalikda javob berishni maqsad qiladi.

Modelning umumiy ish oqimi qanday tuzilgan?

Tadqiqotdagi arxitektura sxemasi quyidagi ishlov berish ketma-ketligini koʻrsatadi:

1. Xom elektr yuklamasi va mavjud yordamchi xususiyatlar olinadi.
2. Yuklama qatori EEMD yordamida oltita IMF va bitta qoldiq komponentga ajratiladi.
3. Ajratilgan kanallarga harorat va siklik vaqt xususiyatlari qoʻshiladi.
4. Global, mahalliy yoki birlashtirilgan kanal qayta kalibrlashi qoʻllanadi.
5. Ixtiyoriy yumshoq siyrak gate zaif kanallarni bostiradi.
6. Ikki qatlamli GRU avvalgi 168 soatdan keyingi 24 soatlik yuklama vektorini hosil qiladi.

Arxitektura sxemasi kanal qayta kalibrlashi GRU dan oldin joylashtirilganini ko‘rsatadi. Shu tariqa GRU barcha komponentlarni teng vaznda qabul qilish oʻrniga, ahamiyati model tomonidan sozlangan xususiyatlar ketma-ketligi ustida ishlaydi.

Prognoz masalasi matematik jihatdan qanday taʼriflangan?

Vaqtt paytidagi yuklama qiymati l_t, kirish oynasi uzunligi L = 168soat va prognoz ufqiH = 24 soat deb belgilangan. Maqsad vektori quyidagicha:

\[ \mathbf{y}_t = [l_{t+1},l_{t+2},\ldots,l_{t+H}]^{\mathsf{T}} \in \mathbb{R}^{H} \]

Bu vektor prognoz paytidan keyingi 24 ta yuklama qiymatini birgalikda ifodalaydi. Koʻp kanalli tarixiy maʼlumot oynasi esa quyidagicha:

\[ \mathbf{X}_{t-L+1:t} = [\mathbf{x}_{t-L+1},\mathbf{x}_{t-L+2},\ldots,\mathbf{x}_{t}] \in \mathbb{R}^{C \times L} \]

Bu yerdaC kanal sonini, L esa har bir kanal uchun foydalanilgan avvalgi soatlar sonini bildiradi. Model chiqishi:

\[ \hat{\mathbf{y}}_t = f_{\theta}(\mathbf{X}_{t-L+1:t}) \in \mathbb{R}^{H} \]

ifodasi bilan berilgan. f_θ, oʻrganiladigan parametrlari θ boʻlgan prognoz modelidir; qalpoqcha belgisi model tomonidan prognoz qilingan qiymatni bildiradi.

Oʻqitish davomida ko‘p ufqli oʻrtacha kvadratik xato minimallashtirilgan:

\[ \mathcal{L}(\theta)=\frac{1}{BH}\sum_{i=1}^{B}\sum_{h=1}^{H}(y_{i,h}-\hat{y}_{i,h})^2 \]

B mini-batch hajmi, H prognoz qilinadigan soatlar sonidir. Kvadratik xato katta prognoz ogʻishlarini kuchliroq jazolaydi. Tadqiqotda mini-batch hajmi 64 deb belgilangan.

EEMD dekompozitsiyasi nima qiladi?

EEMD yuklama signalini turli chastota va vaqt masshtablariga tegishli ichki moda funksiyalariga ajratadi:

\[ l_t=\sum_{k=1}^{K}c_k(t)+r(t) \]

Bu yerdac_k(t), k raqamli ichki moda funksiyasini; r(t) esa sekin oʻzgaruvchi qoldiq yoki trend komponentini ifodalaydi. Tadqiqotda K = 6 tanlangan, shu sababli oltita IMF va bitta qoldiq kanal saqlangan.

Bu jarayonni bitta murakkab toʻlqinni tez tebranishlar, oʻrta masshtabli sikllar va sekin trendlar sifatida alohida koʻrib chiqishga qiyoslash mumkin. Tadqiqotdagi 720 soatlik namunaviy dekompozitsiya grafigida IMF1 yuqori chastotali va kichik masshtabli oʻzgarishlarni, IMF3 oʻrta masshtabli davriy harakatlarni, IMF5 sekinroq tebranishlarni, qoldiq komponent esa umumiy yuklama trendini koʻrsatadi. Grafik oʻqilishini saqlash uchun barcha IMF lar koʻrsatilmagan.

GEFCom2014 uchun tuzilgan xususiyat vektori quyidagi shaklda taʼriflangan:

\[ \mathbf{x}^{EEMD}_t=[c_1(t),\ldots,c_6(t),r(t),temp_t,a^0_t,h^{sin}_t,h^{cos}_t,w^{sin}_t,w^{cos}_t]^{\mathsf{T}}\in\mathbb{R}^{13} \]

Ushbu vektorda temp_t harorat maʼlumotini, a⁰_t esa tashqi axborot tashimaydigan nol qiymatli moslik kanalini ifodalaydi:

\[ a^0_t=0 \]

Nol kanalining maqsadi tajribalar orasida bir xil yordamchi xususiyatlar tartibini saqlashdir; kanalga hech qanday tashqi maʼlumot yuklanmagan.

Soat va hafta sikllari qanday kodlangan?

Soat va hafta kuni kategorik sonlar sifatida emas, sinus va kosinus juftliklari bilan siklik tarzda kodlangan:

\[ h^{sin}_t=\sin\left(\frac{2\pi\cdot hour_t}{24}\right), \qquad h^{cos}_t=\cos\left(\frac{2\pi\cdot hour_t}{24}\right) \]

\[ w^{sin}_t=\sin\left(\frac{2\pi\cdot weekday_t}{7}\right), \qquad w^{cos}_t=\cos\left(\frac{2\pi\cdot weekday_t}{7}\right) \]

Bu ifodalash usuli, masalan, kunning 23-soati bilan 0-soati son jihatdan uzoq koʻrinishi muammosini kamaytiradi. Sinus va kosinus birgalikda qoʻllanganda kun yoki haftadagi siklik pozitsiya ikki oʻlchamda saqlanadi.

Global kanal yoʻli qanday ishlaydi?

Global yoʻl har bir kanalning 168 soatlik kirish oynasidagi oʻrtacha qiymatini hisoblaydi:

\[ s^g_c=\frac{1}{L}\sum_{\ell=1}^{L}X_{c,\ell} \]

Bu amal global average pooling, yaʼni global oʻrtacha pooling deb ifodalangan:

\[ \mathbf{s}^{g}=GAP(\mathbf{X})\in\mathbb{R}^{C} \]

Soʻng ikki qatlamli chiziqli boʻlmagan proyeksiya kanal ballarini hosil qiladi:

\[ \mathbf{u}^{g}=\mathbf{W}^{g}_{2}\phi(\mathbf{W}^{g}_{1}\mathbf{s}^{g}+\mathbf{b}^{g}_{1})+\mathbf{b}^{g}_{2} \]

φ, ReLU faollashtirish funksiyasidir. Global yoʻl har bir kanalning oyna boʻylab umumiy darajasi va oʻrtacha xulqini umumlashtiradi; biroq qisqa muddatli mahalliy naqshlarning aniq joylashuvini bevosita saqlamaydi.

Mahalliy kanal yoʻli qanday ishlaydi?

Mahalliy yoʻl vaqt oʻqi boʻylab bir oʻlchamli konvolyutsiyani qoʻllaydi:

\[ \mathbf{H}^{l}=\phi(Conv1D(\mathbf{X}))\in\mathbb{R}^{C\times L} \]

Bu amal keskin koʻtarilish, qisqa sikl yoki yaqin vaqt tebranishi kabi mahalliy vaqt naqshlarini ajratib olishni maqsad qiladi. Konvolyutsiya chiqishi vaqt boʻylab oʻrtachalanadi:

\[ \mathbf{s}^{l}=GAP(\mathbf{H}^{l})\in\mathbb{R}^{C} \]

Mahalliy kanal bali ikkinchi ikki qatlamli proyeksiya orqali hisoblanadi:

\[ \mathbf{u}^{l}=\mathbf{W}^{l}_{2}\phi(\mathbf{W}^{l}_{1}\mathbf{s}^{l}+\mathbf{b}^{l}_{1})+\mathbf{b}^{l}_{2} \]

Ablatsiya natijalariga ko‘ra aniqlikka eng kuchli hissa aynan shu mahalliy yoʻldan kelgan.

Global va mahalliy axborot qanday birlashtirilgan?

Ikki yoʻl hissasi oʻrganiladigan skalyar bilan birlashtirilgan:

\[ \alpha=\sigma(a) \]

\[ \mathbf{u}=\alpha\mathbf{u}^{g}+(1-\alpha)\mathbf{u}^{l} \]

σ sigmoid funksiyasidir. α qiymati 1 ga yaqinlashganda global yoʻl, 0 ga yaqinlashganda mahalliy yoʻl ustun boʻladi. Boshlangʻich qiymat validatsiya tajribalariga asoslanib mahalliy yoʻlni ustuvor qiladigan tarzda sozlangan; biroq oʻqitish davomida ikki yoʻl nisbatini oʻrganishga ruxsat berilgan.

Zich kanal gateʼi quyidagi oraliq bilan cheklangan:

\[ \mathbf{m}=\frac{1}{2}+\frac{1}{2}\sigma(\mathbf{u}), \qquad \mathbf{m}\in(0.5,1)^{C} \]

Qayta kalibrlangan kirish:

\[ \tilde{\mathbf{X}}=\mathbf{X}\odot\mathbf{m} \]

koʻrinishidadir. ⊙, kanal vazni barcha vaqt qadamlariga qoʻllanishini anglatadi. Koʻpaytirgich 0,5 bilan 1 oraligʻida ushlab turilgani sababli tizim kanallarni kuchaytirish yoki ishorasini oʻzgartirishdan ko‘ra, kamroq foydali deb topilgan kanallarni yumshoq tarzda susaytiradi.

Siyrak gate kanallarni butunlay olib tashlaydimi?

Yoʻq. Tadqiqotdagi siyrak gate kanallarni nolga tushiradigan qattiq xususiyat tanlovi emas. Oʻqitish paytida Gumbel shovqini ishlatiladi:

\[ \epsilon\sim Gumbel(0,1) \]

Siyrak gate qiymati:

\[ \mathbf{g}=\sigma\left(\frac{\mathbf{u}+b-\tau+\epsilon}{\gamma}\right) \]

ifodasi bilan hisoblanadi. Bu yerda b oʻrganiladigan siljish, τ siyraklik chegarasi, γ esa harorat parametridir.

Yumshoq gate ko‘paytirgichi:

\[ \mathbf{m}^{SG}=\frac{1}{2}+\frac{1}{2}\mathbf{g} \]

\[ \tilde{\mathbf{X}}_{SG}=\mathbf{X}\odot\mathbf{m}^{SG} \]

koʻrinishidadir. Shu sababli eng zaif kanallar ham kamida 0,5 ko‘paytirgich bilan saqlanadi. Siyraklik darajasi esa gate qiymati 0,5 dan past boʻlgan kanallar ulushi sifatida hisobot qilingan:

\[ S=\frac{1}{C}\sum_{c=1}^{C}\mathbb{I}(g_c<0.5) \]

Ushbu dizayn izohlanadigan kanal bostirishini taʼminlash bilan birga gradient oqimini davom ettirish va haddan tashqari agressiv xususiyat oʻchirishning oldini olishni maqsad qiladi.

GRU prognoz bosh qismi qanday ishlaydi?

Qayta kalibrlangan xususiyatlar matritsasi vaqt tartibidagi shaklga oʻtkaziladi:

\[ \tilde{\mathbf{X}}^{\mathsf{T}}\in\mathbb{R}^{L\times C} \]

Ikki qatlamli GRU har bir vaqt qadamida yashirin holatni yangilaydi:

\[ \mathbf{h}_{\ell}=GRU(\tilde{\mathbf{x}}_{\ell},\mathbf{h}_{\ell-1}), \qquad \ell=1,\ldots,L \]

Oxirgi yashirin holat 24 soatlik chiqish fazosiga chiziqli ravishda proyeksiyalanadi:

\[ \hat{\mathbf{y}}_t=\mathbf{W}_{o}\mathbf{h}_{L}+\mathbf{b}_{o} \]

Shu tariqa model 24 xil soatni bitta ko‘p qadamli chiqish vektori ichida prognoz qiladi.

Qaysi maʼlumotlar toʻplamlari ishlatilgan?

PJM hududlari sirpanuvchi oynalarning ko‘p yillik bo‘shliqlarni kesib o‘tishini oldini olish va pandemiya davrini boshqa davrlar bilan aralashtirmaslik uchun ikkita alohida uzluksiz davrga boʻlingan. Har bir kichik toʻplam mustaqil baholangan.

GEFCom2014 harorat maʼlumotini oʻz ichiga olgan bo‘lsa, PJM tajribalarida ob-havo oʻzgaruvchisi ishlatilmagan. Tadqiqot EEMD asosidagi modellar uchun 13 ta kirish kanalini bildiradi; biroq PJM tajribalarida harorat kanalining umumiy kanal tartibida aynan qanday almashtirilgani batafsil kanal roʻyxati bilan qayta tushuntirilmagan.

Samaradorlik mezonlari nimani anglatadi?

Oʻrtacha mutlaq foiz xato:

\[ MAPE=\frac{100}{NH}\sum_{i=1}^{N}\sum_{h=1}^{H}\left|\frac{y_{i,h}-\hat{y}_{i,h}}{y_{i,h}}\right| \]

MAPE prognoz xatosini haqiqiy qiymatning foizi sifatida beradi. Pastroq qiymat yaxshiroq samaradorlikni anglatadi.

Ildiz oʻrtacha kvadratik xato:

\[ RMSE=\sqrt{\frac{1}{NH}\sum_{i=1}^{N}\sum_{h=1}^{H}(y_{i,h}-\hat{y}_{i,h})^2} \]

RMSE katta xatolarni kvadratlash tufayli kuchliroq jazolaydi. Tadqiqot RMSE va MAE qiymatlarining fizik yuklama birligini jadvalda aniq ko‘rsatmagan; shu sababli qiymatlar manba maʼlumotlar masshtabida baholanishi kerak.

Oʻrtacha mutlaq xato:

\[ MAE=\frac{1}{NH}\sum_{i=1}^{N}\sum_{h=1}^{H}|y_{i,h}-\hat{y}_{i,h}| \]

Determinatsiya koeffitsienti:

\[ R^2=1-\frac{\sum_{i=1}^{N}\sum_{h=1}^{H}(y_{i,h}-\hat{y}_{i,h})^2}{\sum_{i=1}^{N}\sum_{h=1}^{H}(y_{i,h}-\bar{y})^2} \]

R² qiymati 1 ga yaqinlashgan sari model kuzatilgan oʻzgarishning katta qismini tushuntiradi. Manfiy R² model hatto oʻrtacha qiymat prognozidan ham zaifroq bo‘lishi mumkinligini ko‘rsatadi.

Bazaviy modelga nisbatan nisbiy yaxshilanish quyidagicha hisoblangan:

\[ RI=\frac{M_{baseline}-M_{model}}{M_{baseline}}\times100\% \]

Bu yerdaM, MAPE, RMSE yoki MAE kabi pastroq boʻlishi afzal sanaladigan xato mezonidir.

GEFCom2014 natijalari nimani ko‘rsatadi?

GEFCom2014 da eng past MAPE qiymati %7,76 bilan LocalOnly modelida olingan. Siyrak gateʼli toʻliq EEMD-DCA-GRU-SG modeli %7,90 MAPE bilan ikkinchi kuchli natijalar guruhida boʻlib, EEMD-GRU, GRU, Informer va PatchTST modellaridan pastroq xato bergan.

Natijalar ikki alohida xabarni beradi. Birinchidan, EEMD dan keyin kanal qayta kalibrlashi benchmark aniqligini oshirishi mumkin. Ikkinchidan, toʻliq global-mahalliy birikma har doim eng yaxshi tuzilma emas. Eng yaxshi natija faqat mahalliy yoʻldan foydalangan ablatsiya modelidan olingan.

Parametr va hisoblash samaradorligi qanday?

Siyrak gateʼli toʻliq model Informer parametrlarining taxminan oʻndan biridan ham kamrogʻi bilan pastroq benchmark MAPE qiymatini hosil qilgan. Bunga qarshi, EEMD va kanal qayta kalibrlashi bazaviy GRU ga nisbatan oʻqitish va inferensiya xarajatini oshirgan. Bundan tashqari, jadvaldagi oʻqitish vaqtlari ayni ish stansiyasida oʻlchangan bo‘lsa-da, apparat xususiyatlari tadqiqotda batafsil berilmagan; shu sababli vaqtlarni boshqa tizimlarga toʻgʻridan-toʻgʻri ko‘chirmaslik kerak.

Ablatsiya tajribalari qaysi komponent samarali ekanini ko‘rsatadi?

LocalOnly modeli EEMD-GRU ga nisbatan MAPE qiymatini oʻrtacha 0,579 foiz punktga kamaytirgan va juftlangan t-testda p = 0,0063 natijasini bergan. Siyrak gateʼli toʻliq modelda oʻrtacha kamayish 0,438 foiz punkt, nisbiy yaxshilanish %5,21 va p = 0,0051 deb bildirilgan. Zich NoSparse modelning yaxshilanishi atigi 0,135 foiz punkt bo‘lib, statistik jihatdan ahamiyatli topilmagan; p = 0,2061.

Biroq tajribalar faqat beshta tasodifiy boshlangʻich holatga asoslangan. Muallif Wilcoxon testining besh namuna bilan cheklangan aniqlikka ega ekanini va statistik testlar reyting barqarorligi hamda effekt kattaliklari bilan birga talqin qilinishi kerakligini ochiq taʼkidlaydi.

PJM natijalari modelning umumlashtirilishi haqida nima deydi?

Tadqiqot matni kengroq qoʻshimcha natijalarda AEPOPT-pre uchun siyrak gateʼli EEMD-DCA-GRU-SG modeli eng past RMSE qiymatini berganini bildiradi. Biroq ushbu modelning mazkur sonli RMSE qiymati asosiy hujjatdagi xulosa Jadval 3 da ko‘rsatilmagan. Shu sababli matndagi reytingni keltirish mumkin, ammo yetishmayotgan qiymatni taxmin qilib bo‘lmaydi.

PJM natijalari model universal ustunlik bermasligini ko‘rsatadi. Dekompozitsiya ayrim hududlarda strukturaviy xato mezonlarini yaxshilagan bo‘lsa, ayrim hududlarda sodda GRU yoki faqat EEMD dan foydalanuvchi model muvaffaqiyatliroq. Kanal qayta kalibrlashining foydasi yuklama hududi va davriga bogʻliq.

Kanal ahamiyati grafigi nimani ko‘rsatadi?

Siyrak gateʼli modelning kanal ahamiyati grafigida IMF va qoldiq kanallarning katta qismi yuqori saqlash ballarini olgan. Ayniqsa IMF5, qoldiq komponent, IMF4 va IMF6 yuqori oʻrinlarda ko‘rinadi. Kun ichidagi siklni ifodalovchi soat sinus va kosinus xususiyatlari ham yuqori ahamiyat olgan.

Hafta kuni kodlari pastroq ball olgan. Grafikdan taxminan weekday_sin kanali nolga juda yaqin, weekday_cos kanali esa boshqa vaqt xususiyatlaridan ancha past ekani ko‘rinadi. Bu natija moslashtirilgan model ichida EEMD komponentlari va kundalik sikl haftalik kodlarga nisbatan ko‘proq saqlanganini ko‘rsatadi; biroq ahamiyat ballari sababiy taʼsir yoki umumiy fizik ahamiyat sifatida talqin qilinmasligi kerak.

Prognoz grafiklari model xulqini qanday tushuntiradi?

168 ketma-ket test qadamidagi sirpanuvchi bir soatlik prognoz grafigi EEMD asosidagi modellar past chastotali yuklama trendini GRU va Informer ga nisbatan muntazamroq kuzatishini ko‘rsatadi. Bunga qarshi, taxminan 75-100-test qadamlaridagi tez va katta amplitudali oʻzgarishlarda barcha modellarning mutlaq xatolari oshadi.

24 soatlik namunaviy prognoz grafigida EEMD-GRU va EEMD-DCA-GRU silliqroq egri chiziqlar hosil qiladi. Bu silliqlash umumiy kundalik trendni ushlashga yordam bergani holda, haqiqiy qatordagi keskin soatlik choʻqqi va pasayishlarni yetarli ifodalamaslikka ham olib kelishi mumkin. Grafik model har bir prognoz soatida ustun ekanini emas, balki barqarorroq va past chastotaga yoʻnaltirilgan prognozlar ishlab chiqarishini qoʻllab-quvvatlaydi.

Onlayn va sababiy qoʻllashda nima yuz bergan?

Asosiy tajribalarda EEMD maʼlumotlar xronologik ravishda oʻqitish, validatsiya va test toʻplamlariga ajratilgandan keyin har bir toʻplam ustida qoʻllangan. Bu yondashuv normalizatsiya va dekompozitsiya sozlamalarining turli maʼlumot toʻplamlari orasida birgalikda oʻrganilishini oldini oladi; biroq har bir prognoz paytida faqat oʻtmish kuzatuvlari ishlatilishi mumkin boʻlgan qatʼiy onlayn tizim bilan bir xil emas.

Muallif ushbu cheklovni tekshirish uchun faqat prognoz paytigacha boʻlgan tarixiy prefiksdan foydalanuvchi kichik sababiy EEMD tajribasini oʻtkazgan:

Ushbu diagnostik tajriba kunlik intervallarda tanlangan 30 ta prognoz boshlanish nuqtasi va atigi 10 ta EEMD ansambl sinovi bilan oʻtkazilgan. Bir tomonlama juftlangan Wilcoxon testlari ikkala DCA varianti uchun ham ahamiyatli chiqmagan. Demak, oflayn benchmark muvaffaqiyati qatʼiy sababiy onlayn qoʻllashga bevosita ko‘chmaydi.

Tadqiqot qaysi natijalarni qoʻllab-quvvatlaydi?

• EEMD dan keyin kanal qayta kalibrlashi GEFCom2014 benchmark maʼlumotlarida prognoz xatosini kamaytirishi mumkin.
• Mahalliy vaqt kanal yoʻli benchmark tajribasida aniqlikka eng kuchli individual hissa qoʻshgan.
• Siyrak gate toʻliq global-mahalliy modelda zich gate ga qaraganda yaxshiroq natija bergan va kanal darajasida izohlanadigan bostirishni taʼminlagan.
• Taklif etilgan modellar Transformer asosidagi taqqoslash modellariga qaraganda ancha kam oʻqitiladigan parametrdan foydalangan.
• EEMD asosidagi usullar ayrim PJM kichik toʻplamlarida RMSE va R² natijalarini yaxshilagan.

Tadqiqot nimani isbotlamaydi?

• Taklif etilgan model barcha elektr tarmoqlarida yoki barcha maʼlumot toʻplamlarida eng yaxshi usul ekanligi isbotlanmagan.
• Toʻliq siyrak gateʼli model benchmarkda eng past xatoni bermagan; LocalOnly muvaffaqiyatliroq.
• Oflayn EEMD natijalari real vaqt onlayn muvaffaqiyatining dalili emas.
• Model Turkiya elektr tizimida tasdiqlanmagan.
• Tadqiqot iqtisodiy tejash, ishlab chiqarish xarajatining kamayishi yoki real ekspluatatsiya muvaffaqiyatini oʻlchamagan.
• Ehtimollik prognozi yoki prognoz noaniqligi intervallari baholanmagan.
• Kanal ahamiyati ballari fizik sababiylikning dalili emas.
• Beshta tasodifiy boshlangʻichdan olingan statistik natijalar katta tanlanmali noaniqlik tahlili oʻrnini bosmaydi.

Kuchli tomonlar va cheklovlar nimalar?

Kuchli tomonlar:

• Model komponentlarining taʼsiri GlobalOnly, LocalOnly, zich gate va siyrak gate ablatsiyalari bilan alohida-alohida tekshirilgan.
• Benchmark maʼlumotlar toʻplamidan tashqari turli davrlarga ajratilgan real PJM yuklama qatorlari ishlatilgan.
• Natijalar beshta tasodifiy boshlangʻichning oʻrtacha qiymati va standart ogʻishlari bilan hisobot qilingan.
• Aniqlik bilan birga parametrlar, oʻqitish vaqti va inferensiya vaqti taqqoslangan.
• Muallif model muvaffaqiyatsiz yoki cheklangan boʻlgan PJM va sababiy onlayn natijalarni ham ochiq taqdim etgan.

Asosiy cheklovlar:

• Tadqiqot ekspert baholashidan oʻtmagan preprintdir.
• Asosiy EEMD protokoli qatʼiy onlayn sababiy dekompozitsiya bilan bir xil emas.
• Sababiy prefiks tajribasida DCA variantlari EEMD-GRU dan ustun kelmagan.
• EEMD jarayoni xom GRU modellariga nisbatan qoʻshimcha oldindan ishlov berish xarajatini yaratadi.
• PJM tajribalari faqat CE va AEPOPT hududlari bilan cheklangan.
• PJM maʼlumotlarida ob-havo oʻzgaruvchilari ishlatilmagan.
• Statistik taqqoslash faqat beshta tasodifiy boshlangʻichga asoslangan.
• Qoʻshimcha PJM jadvalidagi ayrim natijalarning sonli qiymatlari asosiy hujjatda berilmagan.
• Kod, ishlov berilgan maʼlumot bo‘limlari va oʻqitilgan modellar bevosita havola orqali eʼlon qilinmagan; muallif ularni asosli soʻrov asosida taqdim etishi mumkinligi bildirilgan.

Tadqiqotning usuli va natijalari

Tajriba tuzilmasining texnik xulosasi

Taqqoslangan modellar

• Oʻrtacha, davomiylik va oxirgi kun qiymatidan foydalanuvchi sodda prognozchilar
• XGBoost
• GRU, LSTM ve CNN-LSTM
• Informer ve PatchTST
• EEMD-GRU
• EEMD siz ishlaydigan DCA-GRU-SG
• GlobalOnly va LocalOnly ablatsiyalari
• Zich EEMD-DCA-GRU
• Siyrak gateʼli EEMD-DCA-GRU-SG

Asosiy topilmalar texnik xulosasi

• Benchmark aniqligi: LocalOnly modeli GEFCom2014 da %7,76 MAPE, 16,60 RMSE, 12,28 MAE va 0,9005 R² ga erishgan.
• Toʻliq siyrak model: EEMD-DCA-GRU-SG %7,90 MAPE va 16,78 RMSE hosil qilgan.
• Dekompozitsiya taʼsiri: EEMD-GRU xom GRU ga nisbatan MAPE da cheklangan; RMSE, MAE va R² mezonlarida esa yaqqolroq yaxshilanish bergan.
• Mahalliy yoʻlning taʼsiri: LocalOnly GlobalOnly va ikkala birlashtirilgan variantdan pastroq xato bergan.
• Siyrak gate taʼsiri: Toʻliq birlashtirilgan modelda siyrak gate zich variantning MAPE qiymatini %8,20 dan %7,90 ga tushirgan.
• Parametr samaradorligi: Toʻliq siyrak model 167,5 ming parametr ishlatgan bo‘lsa, Informer 2,41 million, PatchTST 615,5 ming parametr ishlatgan.
• PJM cheklovlari: CE-pre va asosiy AEPOPT-pre xulosasida GRU; CE-post da zich EEMD-DCA-GRU; AEPOPT-post da EEMD-GRU muvaffaqiyatliroq.
• Onlayn cheklov: Sababiy prefiks testida DCA variantlari EEMD-GRU ga nisbatan ahamiyatli yaxshilanish bermagan.

Amaliy qoʻllash nuqtayi nazaridan xulosa

Tadqiqot qisqa muddatli yuklama prognozida model hajmini kattalashtirish oʻrniga signal tuzilmasini dekompozitsiya qilish va kirish kanallarini tanlab susaytirish samarali boʻlishi mumkinligini ko‘rsatadi. Biroq eng yaxshi benchmark tuzilmasi taklif etilgan toʻliq global-mahalliy model emas, balki faqat mahalliy qayta kalibrlash yoʻlidir. Bu murakkabroq birikma avtomatik ravishda yaxshiroq natija bermasligini ko‘rsatadi.

Real vaqt qoʻllash uchun model faqat oʻtmish maʼlumotlaridan foydalanadigan sirpanuvchi yoki oyna asosidagi EEMD bilan qayta oʻqitilishi kerak. EEMD hisoblash yukini maʼlumot kelishi bilanoq prognoz chiqarishi kerak boʻlgan tizimlarda alohida oʻlchash zarur. Tadqiqotning hozirgi natijalari oflayn benchmark muvaffaqiyatini qoʻllab-quvvatlaydi, biroq tayyor real tizim yoki real vaqt ekspluatatsiya muvaffaqiyatini taqdim etmaydi.

Manba va usul haqida izoh

• Tadqiqotning toʻliq asl nomi: Decomposition-Aware Channel Recalibration for Lightweight Short-Term Load Forecasting
• Muallif: Jiezhuo Zhang
• Muallif tartibi: Yakka muallifli tadqiqot
• Hammuallif birinchi muallif: Mavjud emas.
• Masʼul muallif: Jiezhuo Zhang
• Muassasa: School of Information Science and Engineering, East China University of Science and Technology, Shanghai 200237, China
• DOI:10.2139/ssrn.7192485
• Jurnal: Ekspert baholangan jurnal haqida maʼlumot mavjud emas.
• Nashr platformasi: SSRN
• Platforma operatori: Elsevier Inc.
• Nashr yili: 2026
• SSRN roʻyxatga olingan sana:27 iyul 2026
• Manba turi: Modellashtirish va maʼlumotlar tahlilini oʻz ichiga olgan preprint tadqiqot ishi
• Ekspert baholash holati: Ushbu tadqiqot preprint boʻlib, ekspert baholashidan oʻtmagan.
• Rasmiy tadqiqot havolasi:SSRN rasmiy tadqiqot sahifasi

Ushbu oʻzbekcha izoh yuklangan tadqiqot matni, formulalari, jadvallari, arxitektura sxemasi, dekompozitsiya grafiklari, ablatsiya natijalari, PJM taqqoslashlari, kanal ahamiyati grafigi va prognoz tasvirlari oʻrganilib tayyorlangan. Tadqiqotda bo‘lmagan yangi tajriba natijasi, ilmiy muvaffaqiyat daʼvosi yoki tashqi manbadan olingan ilmiy topilma qoʻshilmagan. Tashqi manbalarni tekshirish faqat DOI, SSRN sanasi, platforma va nashr holati kabi bibliografik identifikatsiya maʼlumotlarini tasdiqlash uchun ishlatilgan.

Tadqiqotning asosiy cheklovlari: ekspert baholashidan oʻtmaganligi, asosiy EEMD baholashi qatʼiy onlayn sababiy protokol bilan bir xil emasligi, sababiy prefiks testida DCA yutugʻi tasdiqlanmagani, EEMD ning hisoblash xarajati, faqat ikkita PJM hududidan foydalanilgani, PJM tajribalarida ob-havo maʼlumotlari yoʻqligi va statistik tajribalar beshta tasodifiy boshlangʻich bilan cheklanganidir.

Muallif raqobat qiluvchi moliyaviy manfaat yoki shaxsiy munosabat haqida xabar bermagan va tadqiqot davlat, tijorat yoki notijorat moliyalashtirish tashkilotlaridan maxsus yordam olmaganini bildirgan. GEFCom2014 va PJM Data Miner maʼlumotlari ochiq manbalardan olingan; ishlov berilgan maʼlumot bo‘limlari, kod va oʻqitilgan model chiqishlari asosli soʻrov asosida taqdim etilishi mumkinligi aytilgan.

Tadqiqotning sunʼiy intellekt bayonotiga ko‘ra OpenAI ChatGPT va Codex tilni yaxshilash, kodni ko‘rib chiqish, hujjat formatlash va izchillik tekshiruvlarida ishlatilgan. Muallif sunʼiy intellekt yordamidagi chiqishlarni keyinchalik ko‘rib chiqib tahrirlaganini, tajriba jarayonlari va natijalarni mustaqil tasdiqlaganini hamda nashr mazmuni uchun javobgarlikni oʻz zimmasiga olganini bildirgan.