DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN HÀ NỘI DỰA TRÊN MÔ HÌNH  MÁY HỌC CỰC TRỊ

Nguyễn Thị Hoài Thu; Phạm Năng Văn; Ngô Văn Khánh

doi:10.34238/tnu-jst.9923

DỰ BÁO NGẮN HẠN PHỤ TẢI ĐIỆN HÀ NỘI DỰA TRÊN MÔ HÌNH MÁY HỌC CỰC TRỊ

Thông tin bài báo

Ngày nhận bài: 20/03/24 Ngày hoàn thiện: 31/05/24 Ngày đăng: 31/05/24

Các tác giả

1. Nguyễn Thị Hoài Thu , Trường Điện - Điện tử - Đại học Bách khoa Hà Nội
2. Phạm Năng Văn, Trường Điện - Điện tử - Đại học Bách khoa Hà Nội
3. Ngô Văn Khánh, Trường Điện - Điện tử - Đại học Bách khoa Hà Nội

Tóm tắt

Việc dự báo chính xác phụ tải điện là một yếu tố quan trọng để các kĩ sư vận hành lưới điện đưa ra các quyết định chính xác về sản xuất, truyền tải và phân phối điện. Trong nghiên cứu này, một mô hình máy học cực (Extreme Learning Machine) đã được đề xuất và so sánh với bốn mô hình học máy khác bao gồm mạng thần kinh nhân tạo (Artificial Neural Networks), mạng nơron tích chập (Convolutional Neural Networks), bộ nhớ dài-ngắn hạn (Long Short-Term Memory) và nút hồi tiếp có cổng (Gated Recurrent Unit). Bộ dữ liệu được sử dụng để đánh giá các mô hình được lấy từ dữ liệu phụ tải điện tại thành phố Hà Nội, Việt Nam. Trước khi được sử dụng, dữ liệu được tiền xử lý qua các bước bao gồm việc loại bỏ các giá trị nhiều và bổ sung các giá trị còn thiếu, nhằm tối ưu hóa khả năng tính toán của các mô hình. Theo kết quả nghiên cứu, mô hình đề xuất có hiệu suất vượt trội khi so sánh với 4 mô hình còn lại với giá trị sai số nhỏ nhất. Những kết quả này đã chứng minh tính hiệu quả của mô hình, khiến nó trở thành một lựa chọn tốt để dự báo phụ tải ngắn hạn.

Từ khóa

Dự báo ngắn hạn; Dự báo phụ tải; Máy học cực trị; Máy học; Mạng nơ-ron truyền thẳng một lớp ẩn

Toàn văn:

PDF (English)

Tài liệu tham khảo

[1] I. K. Nti, M. Teimeh, O. Nyarko-Boateng, and A. F. Adekoya, “Electricity load forecasting: a systematic review,” Journal of Electrical Systems and Inf. Technol., vol. 7, no. 1, p. 13, Dec. 2020, doi: 10.1186/s43067-020-00021-8.

[2] A. Irankhah, M. H. Yaghmaee, and S. Ershadi-Nasab, “Optimized short-term load forecasting in residential buildings based on deep learning methods for different time horizons,” Journal of Building Engineering, vol. 84, p. 108505, May 2024, doi: 10.1016/j.jobe.2024.108505.

[3] N. Q. Nguyen, L. D. Bui, B. V. Doan, E. R. Sanseverino, D. D. Cara, and Q. D. Nguyen, “A new method for forecasting energy output of a large-scale solar power plant based on long short-term memory networks a case study in Vietnam,” Electric Power Systems Research, vol. 199, p. 107427, Oct. 2021, doi: 10.1016/j.epsr.2021.107427.

[4] K. Benmouiza and A. Cheknane, “Small-scale solar radiation forecasting using ARMA and nonlinear autoregressive neural network models,” Theor. Appl. Climatol., vol. 124, no. 3–4, pp. 945–958, May 2016, doi: 10.1007/s00704-015-1469-z.

[5] W. Wang, “Improved short term load forecasting of power system based on ARMA model,” in Proceedings of the 2016 International Conference on Engineering Management (Iconf-EM 2016), Guangzhou City, China: Atlantis Press, 2016, doi: 10.2991/iconfem-16.2016.2.

[6] C. Tarmanini, N. Sarma, C. Gezegin, and O. Ozgonenel, “Short term load forecasting based on ARIMA and ANN approaches,” Energy Reports, vol. 9, pp. 550–557, May 2023, doi: 10.1016/j.egyr.2023.01.060.

[7] G.-B. Huang, Q.-Y. Zhu, and C.-K. Siew, “Extreme learning machine: Theory and applications,” Neurocomputing, vol. 70, no. 1–3, pp. 489–501, Dec. 2006, doi: 10.1016/j.neucom.2005.12.126.

[8] Z. Zhu et al., “A day-ahead industrial load forecasting model using load change rate features and combining FA-ELM and the AdaBoost algorithm,” Energy Reports, vol. 9, pp. 971–981, Dec. 2023, doi: 10.1016/j.egyr.2022.12.044.

[9] B. Gu, H. Hu, J. Zhao, H. Zhang, and X. Liu, “Short-term wind power forecasting and uncertainty analysis based on FCM–WOA–ELM–GMM,” Energy Reports, vol. 9, pp. 807–819, Dec. 2023, doi: 10.1016/j.egyr.2022.11.202.

[10] F. E. Grubbs, “Procedures for Detecting Outlying Observations in Samples,” Technometrics, vol. 11, no. 1, pp. 1–21, Feb. 1969, doi: 10.1080/00401706.1969.10490657.

[11] C. Fan, M. Chen, X. Wang, J. Wang, and B. Huang, “A Review on Data Preprocessing Techniques Toward Efficient and Reliable Knowledge Discovery From Building Operational Data,” Front. Energy Res., vol. 9, p. 652801, Mar. 2021, doi: 10.3389/fenrg.2021.652801.

[12] P. Yan and Z. Xiang, “Acceleration and optimization of artificial intelligence CNN image recognition based on FPGA,” in 2022 IEEE 6th Information Technology and Mechatronics Engineering Conference (ITOEC), Chongqing, China: IEEE, Mar. 2022, pp. 1946–1950, doi: 10.1109/ITOEC53115.2022.9734423.

[13] J. A. Botha et al., “Natural Language Processing with Small Feed-Forward Networks,” arXiv, 2017, doi: 10.48550/ARXIV.1708.00214.

[14] J. Ahmad and H. A. Fatmi, “A novel method of speech recognition using feedforward neural network technology,” in Proceedings of IEEE International Conference on Systems, Man and Cybernetics, San Antonio, TX, USA: IEEE, 1994, pp. 2132–2135, doi: 10.1109/ICSMC.1994.400179.

[15] W. Waheed and Q. Xu, “Data-driven short term load forecasting with deep neural networks: Unlocking insights for sustainable energy management,” Electric Power Systems Research, vol. 232, p. 110376, Jul. 2024, doi: 10.1016/j.epsr.2024.110376.

[16] T. Yang, Z. Yang, F. Li, and H. Wang, “A short-term wind power forecasting method based on multivariate signal decomposition and variable selection,” Applied Energy, vol. 360, p. 122759, Apr. 2024, doi: 10.1016/j.apenergy.2024.122759.

[17] N. Wei et al., “Short-term load forecasting based on WM algorithm and transfer learning model,” Applied Energy, vol. 353, p. 122087, Jan. 2024, doi: 10.1016/j.apenergy.2023.122087.

[18] M.-F. Li, X.-P. Tang, W. Wu, and H.-B. Liu, “General models for estimating daily global solar radiation for different solar radiation zones in mainland China,” Energy Conversion and Management, vol. 70, pp. 139–148, Jun. 2013, doi: 10.1016/j.enconman.2013.03.004.

[19] P. D. Jamieson, J. R. Porter, and D. R. Wilson, “A test of the computer simulation model ARCWHEAT1 on wheat crops grown in New Zealand,” Field Crops Research, vol. 27, no. 4, pp. 337–350, Nov. 1991, doi: 10.1016/0378-4290(91)90040-3.

DOI: https://doi.org/10.34238/tnu-jst.9923

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ