ỨNG DỤNG KẾT HỢP LỌC WAVELET TIỀN XỬ LÝ DỮ LIỆU CHO MẠNG GCN-LSTM VỚI GIẢI THUẬT TỐI ƯU HÓA HHO TRONG MÔ HÌNH DỰ BÁO PHỤ TẢI | Hùng | TNU Journal of Science and Technology

ỨNG DỤNG KẾT HỢP LỌC WAVELET TIỀN XỬ LÝ DỮ LIỆU CHO MẠNG GCN-LSTM VỚI GIẢI THUẬT TỐI ƯU HÓA HHO TRONG MÔ HÌNH DỰ BÁO PHỤ TẢI

Thông tin bài báo

Ngày nhận bài: 12/03/24                Ngày hoàn thiện: 23/05/24                Ngày đăng: 24/05/24

Các tác giả

1. Dương Ngọc Hùng Email to author, 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, 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 chính xác tải hàng ngày là rất quan trọng để lập kế hoạch quản lý năng lượng. Trong nghiên cứu này đề xuất phương pháp mới để dự báo phụ tải hàng ngày tận dụng dữ liệu phụ tải và dữ liệu thời tiết theo thời gian ở Tiền Giang. Mô hình dự báo được cải thiện bằng cách kết hợp bộ lọc Wavelet tiền xử lý dữ liệu cho mạng chuyển đổi đồ thị để kết hợp dữ liệu đầu vào theo các điểm thời gian, ngày trong năm và các tính năng đầu vào khác. Đầu ra của mạng chuyển đổi đồ thị sau đó được đưa vào mạng Bộ nhớ ngắn hạn dài với giải thuật tối ưu hoá trong mô hình dự báo phụ tải. Mô hình dự báo được đánh giá dựa trên dữ liệu phụ tải từ mô hình lưới điện nhỏ trong lưới điện tỉnh Tiền Giang, so sánh nó với các mô hình dự báo dựa trên deep learning khác. Kết quả cho thấy mô hình đề xuất vượt trội hơn về sai số bình phương trung bình gốc và sai số phần trăm tuyệt đối trung bình, cho thấy hiệu quả của phương pháp là tin cậy và chính xác.

Từ khóa


Mạng tích chập đồ thị; Bộ nhớ dài – ngắn hạn; Dự báo phụ tải; Bộ lọc Wavelet; Tối ưu hoá HHO

Toàn văn:

PDF (English)

Tài liệu tham khảo


[1] K. Yu, Q. Ai, S. Wang, J. Ni, and T. Lv, “Dynamic Phasors-Based Modeling and Stability Analysis of Droop-Controlled Inverters for Microgrid Applications,” IEEE Transactions on Smart Grid, vol. 5, no. 6, pp. 2980-2987, 2014, doi: 10.1109/TSG.2014.2331280.

[2] U. B. Tayab and Q. M. Humayun, “Enhanced droop controller for operating parallel connected distributed-generation inverters in a microgrid,” J. Renew Sustain Energy, vol. 10, no. 4, 2018, Art. no. 045303.

[3] U. B. Tayab, A. Zia, F. Yang, J. Lu, and M. Kashif. “Short-term load forecasting for microgrid energy management system using hybrid HHO-FNN model with best-basis stationary wavelet packet transform,” Journal Elsevier Energy, vol. 203, 2020, doi: 10.1016/j.energy.2020.117857.

[4] T.-H. Nguyen, Q.-H. Pham, V.-T. Nguyen, V.-A.Truong, H.-V. Nguyen, and D. N. Truong. “Hybrid HHO-Wavenet Model Applies in Short-term Load Forecasting for Microgrid System,” 2022 6th International Conference on Green Technology and Sustainable Development (GTSD), IEEE, 2022, pp. 1177-1183.

[5] N. H. Duong, T. H. Nguyen, and M. T. Nguyen, “Short term load forecast using deep learning,” 2019 Innovations in Power and Advanced Computing Technologies (i-PACT), 2019, doi: 10.1109/i-PACT44901.2019.8690036

[6] F. D. Rueda, J. D. Suárez, and A. D. R. Torres, “Short-Term Load Forecasting Using Encoder-Decoder Wave Net: Application to the French Grid,” Energies, vol. 14, 2021, Art. no. 2524, doi: 1996-1073/14/9/2524.

[7] S. D. Cosmis, R. D. Leone, et al., “Electric Load Forecasting using Support Vector Machines for Robust Regression,” Proceedings of Conference on the Emerging M&S Applications in Industry & Academia, Modeling and Humanities Symposium, vol. 9, pp. 1-8, April 2013.

[8] Y. Dong, Z. Zhang, and W.-C. Hong, “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.

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

[10] R. Zhang, Z. Y. Dong, Y. Xu, 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.

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

[12] C. Xu, W. Li, M. Yu, J. Xu, J. Liu, Y. Wang, and L. Zhu, “A Correlation Sorting-LSTM Method for High Accuracy Short-term Load Forecasting based on Smart Meter Data,” IEEE, 2020 7th International Conference on Information, Cybernetics, and Computational Social Systems (ICCSS), Feb. 03, 2021, doi: 10.1109/ICCSS52145.2020.9336912.

[13] C. Bo-Juen, C. Ming-Wei, and 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.

[14] B. Nepal, M. Yamaha, A. Yokoe, and T. Yamaji, “Electricity load forecasting using clustering and ARIMA model for energy management in buildings,” Japan Architectural Review, vol. 3, no. 1, pp. 62-76, Nov. 22, 2019, doi: 10.1002/2475-8876.121.

[15] C. Bo-Juen, C. Ming-Wei, and L. Chih-Jen, “SARIMA Model Forecasting of Short-Term Electrical Load Data Augmented by Fast Fourier Transform Seasonality Detection,” 2019 IEEE Canadian Conference of Electrical and Computer Engineering (CCECE), Oct. 11, 2019, doi: 10.1109/CCECE.2019.8861542.

[16] F. R. Alharbi and D. Csala, “A Seasonal Autoregressive Integrated Moving Average with Exogenous Factors (SARIMAX) Forecasting Model-Based Time Series Approach,” Inventions and Innovation in Electrical Engineering/ Energy/ Communications, vol. 7, no. 4, 2022, Art. no. 94, doi: 10.3390/ inventions7040094.

[17] 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.

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

[19] E. Ceperic, V. Ceperic, and A. Baric, “A strategy for short-term load forecasting by support vector regression machines,” IEEE Trans Power Syst., vol. 28, no. 4, 2013, Art. no. 46e64.

[20] A. Selakov, D. Cvijetinovic, L. Milovic, S. Mellon, 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.

[21] H. Lu, M. Azimi, and T. Iseley, “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, pp. 666-677, 2019.

[22] A. Kavousi-Fard, H. Samet, and F. Marzbani, “A new hybrid modified firefly algorithm and support vector regression model for accurate short-term load forecasting,” Expert Syst. Appl., vol. 41, no. 13, pp. 6047-6056, 2014.

[23] 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.

[24] M. Barman, N. B. D. Choudhury, and S. Sutradhar, “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.

[25] W. Sun, “A novel hybrid GA based SVM short term load forecasting model,” 2009 Second International Symposium on Knowledge Acquisition and Modeling, vol.2, pp. 227-229, 2009.

[26] H. Jiang, Y. Zhang, E. Muljadi, J. J. Zhang, and D. W. Gao, “A short-term and high-resolution 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.

[27] 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.

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

[29] 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.

[30] L. Zhao, Y. Song, C. Zhang, Y. Liu, P. Wang, T. Lin, M. Deng, and H. Li, “T-GCN: A Temporal Graph Convolutional Network for Traffic Prediction,” IEEE Transactions on Intelligent Transportation Systems, 2019, doi: 10.48550/arXiv.1811.05320.

[31] J. Bruna, W. Zaremba, A. Szlam, and Y. Lecun, “Spectral networks and locally connected networks on graphs” International Conference on Learning Representations (ICLR2014), CBLS, April 2014, arxiv: abs/1312.6203.

[32] T. N. Kipf and M. Welling, “Semi-supervised classification with graph convolutional networks,” International Conference on Learning Representations, Sep. 2016, doi: 10.48550/arXiv.1609.02907.




DOI: https://doi.org/10.34238/tnu-jst.9875

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