Áp dụng kết hợp WAVENET và LSTM vào bài toán dự báo phụ tải ngắn hạn cho phụ tải trong hệ thống điện của một khu vực lưới điện miền Nam

##plugins.themes.academic_pro.article.sidebar##

Đã Xuất bản 15/12/2021
Download
PDF
Statistic
Số 11/2021

##plugins.themes.academic_pro.article.main##

Dương Ngọc Hùng

Tóm tắt

Một phương pháp mới để dự báo phụ tải ngắn hạn (STLF) được đề xuất trong bài báo này. Phương pháp này sử dụng cả chuỗi dữ liệu dài và ngắn được cung cấp cho mô hình dựa trên wavenet sử dụng mạng nơ-ron tích phân (Convolutional Neural Network - CNN) và lớp bộ nhớ ngắn - dài hạn (Long Short-Term Memory - LSTM) tương ứng để dự báo nhu cầu tải hàng giờ trong tương lai. Để chứng minh tính hiệu quả của mô hình, chúng tôi thực hiện với tập dữ liệu phụ tải của một khu vực lưới điện miền Nam. Hơn nữa, hai cách khác nhau để kiểm tra mô hình được tiến hành. Kết quả cho thấy rằng mô hình được đề xuất của chúng tôi vượt trội hơn so với mô hình dựa trên học sâu khác về sai số bình phương trung bình gốc (RMSE) và sai số phần trăm tuyệt đối trung bình (MAPE). Cụ thể, về sai số MAPE, mô hình Wavenet-LSTM đạt 2.16% so với Wavenet (2.53%) và CNN-LSTM (2.87%).

##plugins.themes.academic_pro.article.details##

Tiểu sử Tác giả

Dương Ngọc Hùng

Khoa Kỹ Thuật Công nghệ, Trường Đại học Tiền Giang

Cách trích dẫn
Dương Ngọc, H. (2021). Áp dụng kết hợp WAVENET và LSTM vào bài toán dự báo phụ tải ngắn hạn cho phụ tải trong hệ thống điện của một khu vực lưới điện miền Nam. JSTGU, 1(11), 11–21. Truy vấn từ http://js.tgu.edu.vn/index.php/tckh/article/view/183

Tài liệu tham khảo

  1. .Nguyen, D. Demand Response for Domestic and Small Business Consumers: A New Challenge. In Proceedings of the IEEE PES T&D 2010, New Orleans, LA, USA, 19–22 April 2010; pp. 1–7.
  2. .Marwan, M.; Kamel, F.; Xiang, W. Mitigation of electricity price/demand using demand side response smart grid model. In Proceedings of the 1st International Postgraduate Conference on Engineering, Designing and Developing the Built Environment for Sustainable Wellbeing (eddBE 2011), Brisbane, Australia, 27–29 April 2011; Queensland University of Technology: Brisbane, Australia, 2011; pp. 128–132.
  3. .Vu, D.H.; Muttaqi, K.M.; Agalgaonkar, A. A variance inflation factor and backward elimination based robust regression model for forecasting monthly electricity demand using climatic variables. Appl. Energy 2015, 140, 385–394.
  4. .Al-Hamadi, H.; Soliman, S. Short-term electric load forecasting based on Kalman filtering algorithm with moving window weather and load model. Electr. Power Syst. Res. 2004, 68, 47–59.
  5. .Kingma, D.P.; Ba, J. Adam: A method for stochastic optimization. arXiv 2014, arXiv:1412.6980.
  6. .He, K.; Zhang, X.; Ren, S.; Sun, J. Deep residual learning for image recognition. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, NV, USA, 26 June–1 July 2016; pp. 770–778.
  7. .Han, L.; Peng, Y.; Li, Y.; Yong, B.; Zhou, Q.; Shu, L. Enhanced deep networks for short-term and medium-term load forecasting. IEEE Access 2018, 7, 4045–4055.
  8. .Park, K.; Yoon, S.; Hwang, E. Hybrid load forecasting for mixed-use complex based on the characteristic load decomposition by pilot signals. IEEE Access 2019, 7, 12297–12306.
  9. .Kong, W.; Dong, Z.Y.; Jia, Y.; Hill, D.J.; Xu, Y.; Zhang, Y. Short-term residential load forecasting based on LSTM recurrent neural network. IEEE Trans. Smart Grid 2017, 10, 841–851.
  10. .Tian, C.; Ma, J.; Zhang, C.; Zhan, P. A Deep Neural Network Model for Short-Term Load Forecast Based on Long Short-Term Memory Network and Convolutional Neural Network. Energies 2018, 11, 3493.
  11. .Cho, M.; Hwang, J.; Chen, C. Customer Short Term Load Forecasting by Using ARIMA Transfer Function Model. In Proceedings of the 1995 International Conference on Energy Management and Power Delivery EMPD’95, Singapore, 21–23 November 1995; pp. 317–322.
  12. .Hao, C. A new method of load forecasting based on generalized autoregressive conditional heteroscedasticity model. Autom. Electr. Power Syst. 2007, 15, 12–13.
  13. .Niu, D.; Wang, Y.; Wu, D.D. Power load forecasting using support vector machine and ant colony optimization. Expert Syst. Appl. 2010, 37, 2531–2539.
  14. .Fan, G.-F.; Guo, Y.-H.; Zheng, J.-M.; Hong, W.-C. Application of the Weighted K-Nearest Neighbor Algorithm for Short-Term Load Forecasting. Energies 2019, 12, 916.
  15. .Dong, Y.; Zhang, Z.; Hong, W.-C. A hybrid seasonal mechanism with a chaotic cuckoo search algorithm with a support vector regression model for electric load forecasting. Energies 2018, 11, 1009.
  16. .Zhang, R.; Dong, Z.Y.; Xu, Y.; Meng, K.; Wong, K.P. Short-term load forecasting of Australian National Electricity Market by an ensemble model of extreme learning machine. IET Gener. Transm. Distrib. 2013, 7, 391–397.
  17. .Ghofrani, M.; Ghayekhloo, M.; Arabali, A.; Ghayekhloo, A. A hybrid short-term load forecasting with a new input selection framework. Energy 2015, 81, 777–786.
  18. .LeCun, Y.; Bengio, Y. Convolutional networks for images, speech, and time series. Handb. Brain Theory Neural Netw. 1995, 3361, 1995.
  19. .Hochreiter, S.; Schmidhuber, J. Long short-term memory. Neural Comput. 1997, 9, 1735–1780.
  20. .Oord, A.V.D.; Dieleman, S.; Zen, H.; Simonyan, K.; Vinyals, O.; Graves, A.; Kalchbrenner, N.; Senior, A.; Kavukcuoglu, K. Wavenet: A generative model for raw audio. arXiv 2016, arXiv:1609.03499.
  21. .Goodfellow, I.; Bengio, Y.; Courville, A. Deep Learning; MIT Press: Cambridge, MA, USA, 2016.
  22. .Abadi, M.; Barham, P.; Chen, J.; Chen, Z.; Davis, A.; Dean, J.; Devin, M.; Ghemawat, S.; Irving, G.; Isard, M. Tensorflow: A system for large-scale machine learning. In Proceedings of the 12th {USENIX} Symposium on Operating Systems Design and Implementation ({OSDI} 16), Savannah, GA, USA, 2–4 November 2016; pp. 265–283.
  23. .Diebold, F.X.; Mariano, R.S. Comparing predictive accuracy. J. Bus. Econ. Stat. 2002, 20, 134–144.

Các bài báo được đọc nhiều nhất của cùng tác giả