NGHIÊN CỨU VÀ ỨNG DỤNG MÔ HÌNH STACKING ENSEMBLE  TRONG DỰ BÁO PHỤ TẢI NGẮN HẠN

Nguyễn Anh Tuấn; Ngô Minh Đức; Ngô Thúy Ngân; Trần Thanh Ngọc

doi:10.34238/tnu-jst.11886

NGHIÊN CỨU VÀ ỨNG DỤNG MÔ HÌNH STACKING ENSEMBLE TRONG DỰ BÁO PHỤ TẢI NGẮN HẠN

Thông tin bài báo

Ngày nhận bài: 14/01/25 Ngày hoàn thiện: 06/03/25 Ngày đăng: 07/03/25

Các tác giả

1. Nguyễn Anh Tuấn , Trường Đại học Công nghiệp Thành phố Hồ Chí Minh
2. Ngô Minh Đức, Trường Đại học Kỹ thuật Công nghiệp – ĐH Thái Nguyên
3. Ngô Thúy Ngân, Trường Đại học Thủ đô Hà Nội
4. Trần Thanh Ngọc, Trường Đại học Công nghiệp Thành phố Hồ Chí Minh

Tóm tắt

Nghiên cứu này trình bày quá trình phát triển và triển khai mô hình Stacking Ensemble để dự báo tải ngắn hạn, một nhiệm vụ quan trọng trong quản lý và vận hành hệ thống điện. Mô hình Stacking Ensemble tích hợp nhiều thuật toán học máy, bao gồm XGBoost, LightGBM, Ridge Regression, Random Forest và Support Vector Regression, để tăng cường độ chính xác của dự báo và giảm các số liệu lỗi phổ biến như Mean Absolute Error, Mean Absolute Percentage Error, Mean Squared Error và Root Mean Squared Error. Các phát hiện chứng minh rằng mô hình Stacking Ensemble hoạt động tốt hơn các mô hình riêng lẻ khi xử lý các tập dữ liệu phức tạp và dễ biến động. So sánh toàn diện giữa Stacking Ensemble và các mô hình riêng lẻ như XGBoost, LightGBM, Random Forest và Support Vector Regression cho thấy Stacking không chỉ cải thiện độ chính xác của dự báo mà còn mang lại tính ổn định cao hơn trong các tình huống khác nhau. Nghiên cứu này xác nhận Stacking Ensemble là một phương pháp mạnh mẽ và hiệu quả để tối ưu hóa dự báo tải ngắn hạn, do đó góp phần nâng cao quản lý năng lượng và vận hành hệ thống điện hiệu quả hơn.

Từ khóa

Mô hình Stacking Ensemble; XGBoost; LightGBM; Random Forest; Support Vector Regression

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] A. V. Ves, N. Ghitescu, C. Pop, M. Antal, T. Cioara, I. Anghel, and I. Salomie, “A Stacking Multi-Learning Ensemble Model for Predicting Near Real Time Energy Consumption Demand of Residential Buildings,” Proc. - 2019 IEEE 15th Int. Conf. Intell. Comput. Commun. Process, 2019, pp. 183-189, doi: 10.1109/ICCP48234.2019.8959572.

[2] H. M. Al-Hamadi, “Long-term electric power load forecasting using fuzzy linear regression technique,” PEAM 2011 - Proc. 2011 IEEE Power Eng. Autom. Conf., vol. 3, pp. 96-99, 2011, doi: 10.1109/PEAM.2011.6135023.

[3] S. Chen, R. Lin, and W. Zeng, “Short-Term Load Forecasting Method Based on ARIMA and LSTM,” Int. Conf. Commun. Technol. Proceedings, ICCT, 2022, pp. 1913-1917, doi: 10.1109/ICCT56141.2022.10073051.

[4] M. M. Eljazzar and E. E. Hemayed, “Enhancing electric load forecasting of ARIMA and ANN using adaptive Fourier series,” the 7th of 2017. Comput. Commune. Work. Conf. CCVC 2017, January 2017, doi: 10.1109/CCWC.2017.7868457.

[5] H. Yiling and H. Shaofeng, “A Short-Term Load Forecasting Model Based on Improved Random Forest Algorithm,” Proc. - 2020 7th Int. Forum Electr. Eng. Autom. IFEEA, 2020, no. 1, pp. 928-931, doi: 10.1109/IFEEA51475.2020.00195.

[6] C. Wang, J. Zhang, L. Tian, L. Xue, Y. Zheng, and L. Liu, “Short-term Load Forecasting Based on Kprototypes Clustering and Random Forest,” 5th IEEE Conf. Energy Internet Energy Syst. Integr. Energy Internet Carbon Neutrality, 2021, pp. 1226-1230, doi: 10.1109/EI252483.2021.9712977.

[7] P. F. Pai and W. C. Hong, “Forecasting regional electricity load based on recurrent support vector machines with genetic algorithms,” Electr. Power Syst. Res., vol. 74, no. 3, pp. 417-425, 2005, doi: 10.1016/j.epsr.2005.01.006.

[8] L. A. Abad, S. M. Sarabia, J. M. Yuzon, and M. C. Pacis, “A Short-Term Load Forecasting Algorithm Using Support Vector Regression & Artificial Neural Network Method (SVR-ANN),” 2020 11th IEEE Control Syst. Grad. Res. Colloquium, 2020, pp. 138-143, doi: 10.1109/ICSGRC49013.2020.9232630.

[9] H. Ma, P. Yang, F. Wang, X. Wang, D. Yang, and B. Feng, “Short-Term Heavy Overload Forecasting of Public Transformers Based on Combined LSTM-XGBoost Model,” Energies, vol. 16, no. 3, 2023, doi:10.3390/EN16031507.

[10] M. Mohamed, F. E. Mahmood, M. A. Abd, M. Rezkallah, and A. Hamadi, “Load Demand Forecasting Using eXtreme Gradient Boosting ( XGBoost ),” 2023 Ei Ind. APPL. Soc. Then. Meet., 2023, pp. 1-7, doi: 10.1109/IAS54024.2023.10406613.

[11] H. Auto-tuning, S. Lei, and F. Wang, “A Short-term Net Load Forecasting Method Based on Two-stage Feature Selection and LightGBM with,” 2023 IEEE/IAS 59th Ind. Commer. Power Syst. Tech. Conf., 2023, pp. 1-6, doi: 10.1109/ICPS57144.2023.10142095.

[12] Z. Fang, J. Zhan, J. Cao, L. Gan, and H. Wang, “Research on Short-Term and Medium-Term Power Load Forecasting Based on STL-LightGBM,” 2nd Int. Conf. Electr. Eng. Control Sci., 2022, pp. 1047-1051, doi: 10.1109/IC2ECS57645.2022.10088145.

[13] U. Samal and A. Kumar, “Enhancing Software Reliability Forecasting Through a Hybrid ARIMA-ANN Model,” Arab. J. Sci. Eng., vol. 48, 2023, doi: 10.1007/s13369-023-08486-1.

[14] B. Satish, K. S. Swarup, S. Srinivas, and A. H. Rao, “Effect of temperature on short-term load forecasting using an integrated ANN,” Electr. Power Syst. Res., vol. 72, no. 1, pp. 95-101, 2004, doi: 10.1016/j.epsr.2004.03.006.

[15] M. Alhussein, K. Aurangzeb, and S. I. Haider, “Hybrid CNN-LSTM model for short-term individual household load forecasting,” IEEE Access, vol. 8, pp. 180544-180557, 2020.

[16] W. Xiong, “Bus load forecasting based on maximum information coefficient and CNN-LSTM model,” IEEE Int. Conf. Image Process. Comput. Appl., 2023, pp. 659-663, doi: 10.1109/ICIPCA59209.2023.10257944.

[17] A. Ajitha, M. Goel, M. Assudani, S. Radhika, and S. Goel, “Design and development of Residential Sector Load Prediction model during COVID-19 Pandemic using LSTM based RNN,” Electr. Power Syst. Res., vol. 212, 2022, Art. no. 108635, doi: 10.1016/j.epsr.2022.108635.

[18] W. Xiangxue, X. Lunhui, and C. Kaixun, “Data-Driven Short-Term Forecasting for Urban Road Network Traffic Based on Data Processing and LSTM-RNN,” Arab. J. Sci. Eng., vol. 44, pp. 3043-3060, 2018, doi: 10.1007/s13369-018-3390-0.

[19] X. Chen, M. Yang, Y. Zhang, J. Liu, and S. Yin, “Load Prediction Model of Integrated Energy System Based on CNN-LSTM,” 3rd Int. Conf. Energy Eng. Power Syst., 2023, pp. 248-251, doi: 10.1109/EEPS58791.2023.10257124.

[20] X. Guo, Q. Zhao, D. Zheng, Y. Ning, and Y. Gao, “A short-term load forecasting model of multi-scale CNN-LSTM hybrid neural network considering the real-time electricity price,” Energy Reports, vol. 6, pp. 1046-1053, 2020, doi: 10.1016/j.egyr.2020.11.078.

[21] Z. He, S. Chen, N. Pan, T. Ba, C. Lin, X. Yang, and G. Li, “Short-Term Power Load Forecasting of Multi-Charging Piles Based on Improved Gate Recurrent Unit,” IEEE Access, vol. 10, pp. 2490-2499, 2024.

[22] C. Time-series, I. E. Livieris, E. Pintelas, S. Stavroyiannis, and P. Pintelas, “Ensemble Deep Learning Models for Forecasting,” Algorithms, vol. 13, pp. 1-21, 2020, doi:10.3390/a13050121.

[23] S. Singh and M. M. Tripathi, “A Comparative Analysis of Extreme Gradient Boosting Technique with Long Short-Term Memory and Layered Recurrent Neural Network for Electricity Demand Forecast,” 6th Int. Conf. Recent Trends Electron. Information, Commun. Technol., 2021, pp. 297-302, doi: 10.1109/RTEICT52294.2021.9573988.

[24] M. Goyal and M. Pandey, “A Systematic Analysis for Energy Performance Predictions in Residential Buildings Using Ensemble Learning,” Arab. J. Sci. Eng., vol. 46, 2020, doi: 10.1007/s13369-020-05069-2.

[25] L. Zhang and D. Jánošík, “Enhanced short-term load forecasting with hybrid machine learning models: CatBoost and XGBoost approaches,” Expert Syst. Appl., vol. 241, 2024, doi: 10.1016/j.Eshwa.2023.122686.

[26] M. Ulagammai, “Short Term Load Forecasting Using ANN and WNN,” Proc. Int. Conf. Intell. Innov. Technol. Comput. Electr. Electron. ICIITCEE, 2023, pp. 612-616, doi: 10.1109/IITCEE57236. 2023.10091081.

[27] M. Abumohsen, A. Y. Owda, and M. Owda, “Electrical Load Forecasting Using LSTM, GRU, and RNN Algorithms,” Energies, vol. 16, no. 5, pp. 1-31, 2023, doi: 10.3390/en16052283.

[28] J. Zhang, Z. Zhu, and Y. Yang, “Electricity Load Forecasting Based on CNN-LSTM,” IEEE Int. Conf. Electr. Autom. Comput. Eng., 2023, pp. 1385-1390, doi: 10.1109/ICEACE60673. 2023.10442217.

[29] M. Dostmohammadi, M. Z. Pedram, S. Hoseinzadeh, and D. A. Garcia, “A GA-stacking ensemble approach for forecasting energy consumption in a smart household: A comparative study of ensemble methods,” J. Environ. Manage., vol. 364, 2024, Art. no. 121264, doi: 10.1016/j.genvman.2024.121264.

[30] A. Ghasemieh, A. Lloyd, P. Bahrami, P. Vajar, and R. Kashef, “A novel machine learning model with Stacking Ensemble Learner for predicting emergency readmission of heart-disease patients,” Decis. Anal. J., vol. 7, 2023, Art. no. 100242, doi: 10.1016/j.dajour.2023.100242.

DOI: https://doi.org/10.34238/tnu-jst.11886

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ