ỨNG DỤNG SEQ2SEQ-LSTM TRONG MÔ HÌNH DỰ BÁO NGẮN HẠN PHỤ TẢI CHO LƯỚI ĐIỆN Ở TIỀN GIANG | Hùng | TNU Journal of Science and Technology

ỨNG DỤNG SEQ2SEQ-LSTM TRONG MÔ HÌNH DỰ BÁO NGẮN HẠN PHỤ TẢI CHO LƯỚI ĐIỆN Ở TIỀN GIANG

Thông tin bài báo

Ngày nhận bài: 26/10/23                Ngày hoàn thiện: 27/11/23                Ngày đăng: 27/11/23

Các tác giả

1. Dương Ngọc Hùng, 1) Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, 2) Trường Đại học Tiền Giang
2. Nguyễn Minh Tâm, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
3. Nguyễn Tùng Linh Email to author, Trường Đại học Điện lực
4. Nguyễn Thanh Hoan, Công ty Công nghệ thông tin – Tổng Công ty điện lực Thành phố Hồ Chí Minh
5. Nguyễn Thanh Duy, Trường Đại học Tiền Giang

Tóm tắt


Dự báo phụ tải ngắn hạn là rất quan trọng đối với các nhà cung cấp năng lượng để đáp ứng tải trọng của người tiêu dùng kết nối với lưới điện. Nghiên cứu này khám phá hiệu suất của các mô hình dự báo ngắn hạn nhu cầu phụ tải, bao gồm CNN-LSTM, Wavenet và Seq2Seq tích hợp long short-term memory (LSTM). Mô hình dự báo Seq2Seq-LSTM được thiết lập bằng cách kết hợp cấu trúc từ chuỗi đến chuỗi (Seq2Seq) với mô hình nơ-ron dài ngắn hạn để cải thiện độ chính xác dự báo. Nghiên cứu xác thực các mô hình bằng dữ liệu nhu cầu từ hệ thống điện Tiền Giang từ năm 2020 đến 2022, lấy vào cân nhắc nhu cầu lịch sử, các ngày lễ và các biến số thời tiết làm đặc trưng đầu vào. Kết quả cho thấy cả mô hình CNN-LSTM, Wavenet và Seq2Seq-LSTM đều có thể dự đoán nhu cầu tương lai với sai số bình phương trung bình gốc (RMSE) và sai số phần trăm tuyệt đối trung bình (MAPE). Vì vậy, các mô hình đề xuất không chỉ là một công cụ hữu ích trong việc đưa ra quyết định thông minh và lập kế hoạch cho nhu cầu năng lượng trong tương lai, mà còn có thể đóng một vai trò quan trọng trong việc tối ưu hóa sử dụng tài nguyên năng lượng, giảm thiểu tác động tiêu cực đến môi trường, và cải thiện hiệu suất tổng thể của ngành năng lượng.

Từ khóa


Phép biến đổi Wavenet; LSTM; CNN; Mô hình Seq2Seq; Dự báo phụ tải đỉnh

Toàn văn:

PDF

Tài liệu tham khảo


[1] Y. Ghadi, N. Ahmad, M. Adnan, and M. Ali, “Load Forecasting Techniques for Power System: Research Challenges and Survey,” IEEE Access, vol. 10, pp. 71054-71090, 2022.

[2] M. Fan, X. Zhang, H. Yin, Y. Hu, Q. Yang, and L. Fan, “Short-term Load Forecasting for Distribution Network Using Decomposition with Ensemble prediction," 2019 Chinese Automation Congress (CAC), Hangzhou, China, 2019, pp. 152-157.

[3] J. Zhu, H. Dong, W. Zheng, Y. Huang, S. Li, and L. Xi, “Review and prospect of data-driven techniques for load forecasting in integrated energy systems,” Applied Energy, vol. 321, 2022, Art. no. 119269.

[4] F. D. Rueda and J. D. Suárez, “Alejandro del Real Torres. Short-Term Load Forecasting Using Encoder-Decoder WaveNet: Application to the French Grid,” Energies, vol. 14, 2021, Art. no. 2524, doi: 1996-1073/14/9/2524.

[5] D. Niu, Y. Wu, and D. D. Wang, “Power load forecasting using support vector machine and ant colony optimization,” Expert Syst. Appl., vol. 37, pp. 2531–2539, 2010.

[6] Y. -H. Guo, J. -M. Zheng, G. –F. Fan, and W.-C. Hong, “Application of the Weighted K-Nearest Neighbor Algorithm for Short-Term Load Forecasting,” Energies, vol. 12, 2019, Art. no. 916.

[7] Y. Dong, W.-C Hong, and Z. Zhang, “A hybrid seasonal mechanism with a chaotic cuckoo search algorithm with a support vector regression model for electric load forecasting,” Energies, vol. 11, 2018, Art. no. 1009.

[8] R. Zhang, Y. Xu, Z. Y. Dong, K. Meng, and K. P. Wong, “Short-term load forecasting of Australian National Electricity Market by an ensemble model of extreme learning machine,” IET Gener. Transm. Distrib, vol. 7, pp. 391–397, 2013.

[9] M. Ghofrani, A. Ghayekhloo, M. Ghayekhloo, and A. Arabali, “A hybrid short-term load forecasting with a new input selection framework,” Energy, vol. 81, pp. 777–786, 2015.

[10] W. Kong, Y. Jia, D. J. Hill, Z. Y. Dong, Y. Xu, and Y. Zhang, “Short-term residential load forecasting based on LSTM recurrent neural network,” IEEE Trans Smart Grid, vol. 10, pp. 841–851, 2017.

[11] C. Tian, C. Zhang, J. Ma, and P. Zhan, “A Deep Neural Network Model for Short-Term Load Forecast Based on Long Short-Term Memory Network and Convolutional Neural Network,” Energies, vol. 11, 2018, Art. no. 3493.

[12] L. Han, Y. Li, B. Yong, Y. Peng, Q. Zhou, and L. Shu, “Enhanced deep networks for short-term and medium-term load forecasting,” IEEE Access, vol. 7, pp. 4045–4055, 2018.

[13] K. Park, E. Hwang, and S. Yoon, “Hybrid load forecasting for mixed-use complex based on the characteristic load decomposition by pilot signals,” IEEE Access, vol. 7, pp. 12297–12306, 2019.

[14] C. Ming-Wei, C. Bo-Juen, L. Chih-Jen, “Load forecasting using support vector Machines: a study on EUNITE competition 2001,” IEEE Trans Power Syst., vol. 19, no. 4, 2004, Art. no. 1821e30.

[15] J. Che and J. Wang “Short-term load forecasting using a kernel-based support vector regression combination model,” Appl. Energy, vol. 132, 2014, Art. no. 602e9.

[16] W.-C. Hong “Electric load forecasting by support vector model,” Appl. Math Model, vol. 33, no. 5, 2009, Art. no. 2444e54.

[17] E. Ceperic, A. Baric, and V. Ceperic “A strategy for short-term load forecasting by support vector regression machines,” IEEE Trans Power Syst, vol. 28, no. 4, 2013, Art. no. 4356e64.

[18] A. Selakov, L. Milovic, S. Mellon, D. Cvijetinovic, and D. Bekut, “Hybrid PSOeSVM method for short-term load forecasting during periods with significant temperature variations in city of Burbank,” Appl. Soft Comput., vol. 16, 2014, Art. no. 80e8.

[19] W. Sun, “A novel hybrid GA based SVM short term load forecasting model,” The Second International Symposium on Knowledge Acquisition and Modeling, vol. 2, 2009, Art. no. 227e9.

[20] A. Kavousi-Fard, F. Marzbani, and H. Samet, “A new hybrid modified firefly algorithm and support vector regression model for accurate short-term load forecasting,” Expert Syst. Appl., vol. 41, no. 13, 2014, Art. no. 6047e56.

[21] M. Barman and N. B. D. Choudhury, “Season specific approach for short-term load forecasting based on hybrid FA-SVM and similarity concept,” Energy, vol. 174, 2019, Art. no. 886e96.

[22] M. Barman, S. Sutradhar, and N. B. D. Choudhury, “A regional hybrid Goa-SVM model based on similar day approach for short-term load forecasting in Assam, India,” Energy, vol. 145, 2018, Art. no. 710e20.

[23] H. Lu, T. Iseley, and M. Azimi, “Short-term load forecasting of urban gas using a hybrid model based on improved fruit fly optimization algorithm and support vector machine,” Energy Rep., vol. 5, 2019, Art. no. 666e77.

[24] Y. Zhang, E. Muljadi, H. Jiang, J. J. Zhang, and D. W. Gao “A short-term and highresolution distribution system load forecasting approach using support vector regression with hybrid parameters optimization,” IEEE Transactions on Smart Grid, vol. 9, no. 4, 2018, Art. no. 3341e50.

[25] X. Wang and Y. Wang “A hybrid model of EMD and PSO-SVR for short-term load forecasting in residential quarters,” Journal of Mathematical Problems in Engineering, vol. 2016, 2016, Art. no. 9895639.

[26] Q. Chen, X. Zhang, Y. Wu, and X. Chen, “Forecasting system based on wavelet transform and PSO-SVM. 2nd international conference on anti-counterfeiting,” 2nd International Conference on Anti-counterfeiting, Security and Identification, 2008, pp. 305-309.

[27] S. Qiang and Y. Pu “Short-term power load forecasting based on support vector machine and particle swarm optimization,” J. Algorithm Comput. Technol., vol. 13, pp.1-8, 2018.

[28] M. Ye and W. Sun, “Short-term load forecasting based on wavelet transform and least squares support vector machine optimized by fruit fly optimization algorithm,” Journal of Electrical and Computer Engineering, vol. 2015, 2015, Art. no. 862185.

[29] J.–P. Liu and C.-L. Li, “The short-term power load forecasting based on sperm whale algorithm and wavelet least square support vector machine with DWT-IR for feature selection,” Sustainability, vol. 9, no. 7, 2017, Art. no. 1188.

[30] L. Peng, S.-X. Lv, L. Wang, and Z. -Y. Wang, “Effective electricity load forecasting using enhanced double-reservoir echo state network,” Eng. Appl. Artif. Intell., vol. 99, 2021, Art. no. 104132, doi: 10.1016/j.engappai.2020.104132.

[31] V. K. Rayi, S. Mishra, J. Naik, and P. Dash, “Adaptive vmd based optimized deep learning mixed kernel elm autoencoder for single and multistep wind power forecasting,” Energy, vol. 244, 2022, Art. no. 122585, doi: 10.1016/j.energy.2021.122585.

[32] Y. Dong, Z. Dong, T. Zhao, Z. Li, and Z. Ding, “Short term load forecasting with markovian switching distributed deep belief networks,” Int. J. Electr. Power & Energy Syst., vol. 130, 2021, Art. no. 106942. doi: 10.1016/j.ijepes.2021.106942.

[33] T. Bashir, C. Haoyong, M. F. Tahir, and Z. Liqiang, “Short term electricity load forecasting using hybrid prophet-lstm model optimized by bpnn,” Energy Rep., vol. 8, 2022, pp. 1678–1686, doi: 10.1016/j.egyr.2021.12.067

[34] I. S. Jahan, V. Snasel, and S. Misak, “Intelligent systems for power load forecasting: A study review,” Energies, vol. 13, 2020, Art. no. 6105, doi:10.3390/en13226105.




DOI: https://doi.org/10.34238/tnu-jst.9060

Các bài báo tham chiếu

  • Hiện tại không có bài báo tham chiếu
Tạp chí Khoa học và Công nghệ - Đại học Thái Nguyên
Phòng 408, 409 - Tòa nhà Điều hành - Đại học Thái Nguyên
Phường Tân Thịnh - Thành phố Thái Nguyên
Điện thoại: 0208 3840 288 - E-mail: jst@tnu.edu.vn
Phát triển trên nền tảng Open Journal Systems
©2018 All Rights Reserved