Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Dự đoán tiêu thụ năng lượng điện dựa trên kỹ thuật học máy
Tóm tắt
Dự báo nhu cầu điện trong những năm gần đây đang trở nên ngày càng quan trọng do sự tự do hóa thị trường và sự xuất hiện của các nguồn tài nguyên tái tạo. Để đáp ứng những thách thức mới nổi này, các mô hình thông minh tiên tiến được xây dựng nhằm đảm bảo dự báo điện chính xác cho nhiều khoảng thời gian khác nhau. Việc sử dụng các thuật toán dự đoán thông minh là một đặc điểm chính của lưới điện thông minh và là một công cụ hiệu quả để giải quyết sự không chắc chắn nhằm đưa ra các quyết định tối ưu về chi phí và hiệu quả năng lượng như lập kế hoạch sản xuất điện, độ tin cậy và tối ưu hóa điện năng của hệ thống, cũng như các hoạt động kinh tế của lưới điện thông minh. Tuy nhiên, độ chính xác trong các thuật toán dự đoán được yêu cầu rất cao, vì nhiều hoạt động quan trọng của các nhà điều hành điện như phân phối tải phụ thuộc vào dự báo ngắn hạn. Bài báo này đề xuất một mô hình để ước lượng tiêu thụ điện năng ở Agartala, Tripura, Ấn Độ, có khả năng dự đoán chính xác tải trong 24 giờ tới và ước lượng tải trong khoảng từ 1 tuần đến 1 tháng. Một số đặc điểm cụ thể của thành phố đã được phân tích nhằm khai thác các biến số có thể ảnh hưởng trực tiếp đến mô hình tiêu thụ điện. Ngoài ra, bài báo hiện tại chỉ ra cách để cải thiện đáng kể độ chính xác của dự đoán thông qua quy trình học máy theo nhóm. Chúng tôi đã chứng minh hiệu suất của mô hình Random Forest riêng lẻ và XGBoost cùng với sự kết hợp của chúng. Bộ RF và XGBoost đã đạt được độ chính xác với sự cải thiện từ 15–29%. Các phân tích hoặc kết quả cũng cung cấp những phát hiện thú vị liên quan đến tiêu thụ năng lượng.
Từ khóa
#Dự báo tiêu thụ điện #học máy #lưới điện thông minh #Random Forest #XGBoost #cải thiện độ chính xácTài liệu tham khảo
Su Y-W (2019) Residential electricity demand in Taiwan: consumption behavior and rebound effect. Energy Policy 124:36–45
Shahbaz M, Sarwar S, Chen W, Malik MN (2017) Dynamics of electricity consumption, oil price and economic growth: global perspective. Energy Policy 108:256–270
Chen H-Y, Lee C-H (2019) Electricity consumption prediction for buildings using multiple adaptive network-based fuzzy inference system models and gray relational analysis. Energy Rep 5:1509–1524
Kulkarni S, Simon SP, Sundareswaran K (2013) A spiking neural network (SNN) forecast engine for short-term electrical load forecasting. Appl Soft Comput 13(8):3628–3635
Tiana Y, Yu J, Zhao A (2020) Predictive model of energy consumption for office building by using improved GWO-BP. Energy Rep 6:620–627
Yoo SG, Hernandez-Alvarez M (2018) Predicting residential electricity consumption using neural networks: a case study. IOP Conf Ser J Phys Conf Ser 1072(18):012005. https://doi.org/10.1088/1742-6596/1072/1/012005
Cai H, Shen S, Lin Q, Li X, Xiao H (2019) Predicting the energy consumption of residential buildings for regional electricity supply-side and demand-side management. IEEE Access 7:30386–30397. https://doi.org/10.1109/ACCESS.2019.2901257
Tso G, Yau K (2007) Predicting electricity energy consumption: a comparison of regression analysis, decision tree and neural networks. Energy 20:1761–1768
Kankal M et al (2011) Modeling and forecasting of Turkey’s energy consumption using socioeconomic and demographic variables. Appl Energy 88:1927–1939
Chen T, Guestrin C (2016) XGBoost: a scalable tree boosting system. In: Proceedings of the 22nd ACM SIGKDD International Conference on knowledge discovery data mining, San Francisco, CA, USA, pp 785–794
Google Maps (2020) Location of Agartala. https://www.google.com/maps/place/Agartala,+Tripura/@25.2810646,78.5062462,4z/. Accessed 8 June 2020
Gross G, Galiana FD (1987) Short-term load forecasting. Proc IEEE 75:1558–1573
Hyde O, Hodnett PF (1997) An adaptable automated procedure for short-term electricity load forecasting. IEEE Trans Power Syst 12:84–94
Broadwater RR, Sargent A, Yarali A et al (1997) Estimating substation peaks from load research data. IEEE Trans Power Deliv 12:451–456
El-Keib AA, Ma X, Ma H (1995) Advancement of statistical based modeling techniques for short-term load forecasting. Electr Power Syst Res 35:51–58
Huang SR (1997) Short-term load forecasting using threshold autoregressive models . IEEE Proc Gener Transm Distrib 144:477–481
Goia A, May C, Fusai G (2010) Functional clustering and linear regression for peak load forecasting. Int J Forecast 26(4):700–711
Amral N, Ozveren C, King D (2007) Short term load forecasting using multiple linear regression. In: UPEC 2007. 42nd international universities power engineering conference, 2007, pp 1192–1198
Pappas S, Ekonomou L, Karamousantas D, Chatzarakis G, Katsikas S, Liatsis P (2008) Electricity demand loads modeling using autoregressive moving average (ARMA) models. Energy 33(9):1353–1360
Lee C-M, Ko C-N (2011) Short-term load forecasting using lifting scheme and ARIMA models. Expert Syst Appl 38(5):5902–5911
Mastorocostas P, Theocharis J, Bakirtzis A (1999) Fuzzy modeling for short term load forecasting using the orthogonal least squares method. IEEE Trans Power Syst 14(1):29–36
Mandal P, Senjyu T, Funabashi T (2006) Neural networks approach to forecast several hour ahead electricity prices and loads in deregulated market. Energy Convers Manag 47(15–16):2128–2142
Senjyu T, Takara H, Uezato K, Funabashi T (2002) One-hour-ahead load forecasting using neural network. IEEE Trans Power Syst 17(1):113–118
Lin C-T, Chou L-D (2013) A novel economy reflecting short-term load forecasting approach. Energy Convers Manage 65:331–342
Wu C-H, Tzeng G-H, Lin R-H (2009) A novel hybrid genetic algorithm for kernel function and parameter optimization in support vector regression. Expert Syst Appl 36(3):4725–4735
Wang J, Li L, Niu D, Tan Z (2012) An annual load forecasting model based on support vector regression with differential evolution algorithm. Appl Energy 94:65–70
Nagi J, Yap KS, Nagi F, Tiong SK, Ahmed SK (2011) A computational intelligence scheme for the prediction of the daily peak load. Appl Soft Comput 11(8):4773–4788
Cheng Y-Y, Chan P, Qiu Z-W (2012) Random forest based ensemble system for short term load forecasting. In: 2012 international conference on machine learning and cybernetics (ICMLC), vol. 1. pp 52–56
Krawczak M, Popchev I, Rutkowski L et al (2015) Intelligent systems’2014. Adv Intell Syst Comput 323:821–828
Khayatian F, Sarto L, Dall’O’ G (2016) Application of neural networks for evaluating energy performance certificates of residential buildings. Energy Buildings 125:45–54
Ascione F, Bianco N, De Stasio C, Mauro GM, Vanoli GP (2017) Artificial neural networks to predict energy performance and retrofit scenarios for any member of a building category: a novel approach. Energy 118:999–1017
Chen Y, Tan H (2017) Short-term prediction of electric demand in building sector via hybrid support vector regression. Appl Energy 204:1363–1374
Rastogi P, Polytechnique E, Lausanne FD (2017). Gaussian-process-based emulators for building performance simulation. In: Building simulation 2017: the 15th international conference of IBPSA. IBPSA, San Francisco
Papadopoulos S, Azar E, Woon W-L, Kontokosta CE (2017) Evaluation of tree-based ensemble learning algorithms for building energy performance estimation. J Build Perform Simul 1493:1–11
Wang Z, Wang Y, Zeng R, Srinivasan RS, Ahrentzen S (2018) Random forest based hourly building energy prediction. Energy Build 171:11–25
Ahmad MW, Mourshed M, Rezgui Y (2017) Trees vs neurons: comparison between random forest and ANN for high-resolution prediction of building energy consumption. Energy Build 147:77–89
Lee D, Kang S, Shin J (2017) Using deep learning techniques to forecast environmental consumption level. Sustainability 9:1894
Li C, Ding Z, Zhao D, Yi J, Zhang G (2017) Building energy consumption prediction: an extreme deep learning approach. Energies 10:1525
Kim J-Y, Cho S-B (2019) Electric energy consumption prediction by deep learning with state explainable autoencoder. Energies 12(4):739. https://doi.org/10.3390/en12040739
Garcia-Martin E, Rodrigues CF, Riley G, Grahn H (2019) Estimation of energy consumption in machine learning. J Parallel Distrib Comput 134:75–88
Mosavi A, Bahmani A (2019) Energy consumption prediction using machine learning; a review. https://doi.org/10.20944/preprints201903.0131.v1. Preprints 2019030131
Zhang C, Ma Y (2012) Ensemble machine learning: methods and applications. Springer, Berlin
Valentini G, Dietterich TG (2004) Bias-variance analysis of support vector machines for the development of SVM- based ensemble methods. J Mach Learn Res 5:725–775
Leggio T (2019) Bias-variance trade-off 101. https://medium.com/opex-analytics/bias-variance-trade-off-101-7d3aae4485a8. Accessed 20 June 2020
Friedman JH (2001) Greedy function approximation: a gradient boosting machine. Ann Stat 29(5):1189–1232
Breiman L, Freidman JH, Olshen RA, Stone CJ (1984) Classification and Regression Trees. CRC Press, London
Global Modeling and Assimilation Office (GMAO) (2015) MERRA-2 tavg1_2d_slv_Nx: 2d,1-hourly,time-averaged, single-level, assimilation, single-level diagnostics V5.12.4, Greenbelt, MD, USA, Goddard Earth Sciences Data and Information Services Center (GES DISC). https://doi.org/10.5067/VJAFPLI1CSIV. Accessed 06 Dec 2019
Chai T, Draxler RR (2014) Root mean square error (RMSE) or mean absolute error (MAE)? Arguments against avoiding RMSE in the literature. Geosci Model Dev 7:1247–1250
Luca Massidda L, Marrocu M (2018) Quantile regression post-processing of weather forecast for short-term solar power probabilistic forecasting. Energies 11(7):1–20
Salami AA, Ajavon ASA, Dotche KA, Bedja K-S (2018) Electrical load forecasting using artificial neural network: the case study of the grid inter-connected network of Benin electricity community (CEB). Am J Eng Appl Sci 11(2):471–481