Новина
Участие на докторант в международна научна конференция CISIM'2026
В периода 25–27 септември 2026 г. докторант Калин Петров взе участие в международната научна конференция CISIM 2026, където представи доклад на тема „Comparative Analysis of Methods for Short-Term Electricity Consumption Forecasting in Industrial Enterprises“. Изследването е посветено на краткосрочното прогнозиране на потреблението на електроенергия в промишлени предприятия и сравнителния анализ на различни подходи за решаване на тази задача. Разгледани са статистически методи, алгоритми за машинно обучение – Support Vector Machines, Random Forest и XGBoost, модели за дълбоко обучение – GRU и LSTM, както и хибриден модел. Получените резултати показват предимствата на методите за дълбоко обучение при моделиране на сложни времеви зависимости, докато ансамбловите методи за машинно обучение постигат конкурентни резултати при по-ниски изчислителни изисквания. Изследването предоставя практически насоки за избор на подходящ модел в зависимост от наличните данни, изчислителните ресурси и изискванията на конкретното промишлено приложение.
В периода 25–27 септември 2026 г. докторант Калин Петров взе участие в международната научна конференция CISIM 2026, където представи доклад на тема „Comparative Analysis of Methods for Short-Term Electricity Consumption Forecasting in Industrial Enterprises“. Изследването е посветено на краткосрочното прогнозиране на потреблението на електроенергия в промишлени предприятия и сравнителния анализ на различни подходи за решаване на тази задача. Разгледани са статистически методи, алгоритми за машинно обучение – Support Vector Machines, Random Forest и XGBoost, модели за дълбоко обучение – GRU и LSTM, както и хибриден модел. Получените резултати показват предимствата на методите за дълбоко обучение при моделиране на сложни времеви зависимости, докато ансамбловите методи за машинно обучение постигат конкурентни резултати при по-ниски изчислителни изисквания. Изследването предоставя практически насоки за избор на подходящ модел в зависимост от наличните данни, изчислителните ресурси и изискванията на конкретното промишлено приложение.