Xây dựng mô hình dự báo phụ tải điện trong thị trường điện trong ngày ứng dụng mạng noron hồi tiếp bộ nhớ ngắn – dài hạn
136 lượt xemDOI:
https://doi.org/10.54939/1859-1043.j.mst.82.2022.91-97Từ khóa:
dự báo tải điện 15 phút; thuật toán noron; bộ nhớ hồi tiếp ngắn – dài hạn; thị trường điện trong ngày.Tóm tắt
Dự báo tải điện đóng một vai trò quan trọng trong việc tham gia thị trường điện. Trong các thị trường điện như thị trường điện ngày trước (dayahead market) và thị trường điện trong ngày (intraday market) thì thị trường điện trong ngày cần dự báo được nhu cầu phụ tải trước 15 phút. Như vậy, bài toán dự báo phụ tải điện trước 15 phút đóng vai trò quan trọng trong việc các đơn vị mua điện khi tham gia vào thị trường điện trong ngày. Do tính không tuyến tính, tính không ổn định theo điều kiện tự nhiên của tải điện trong các hệ thống điện quy mô nhỏ, việc dự báo chính xác vẫn đang là một thách thức. Bài báo này xây dựng mô hình dự báo phụ tải điện ngắn hạn bằng việc dùng mạng noron hồi tiếp bộ nhớ ngắn-dài hạn Long-Short-Term-Memory (LSTM). Kết quả kiểm nghiệm đánh giá mô hình với sai số trong khoảng 1%.
Tài liệu tham khảo
[1]. P. Shinde and M. Amelin, “A Literature Review of Intraday Electricity Markets and Prices”, 2019 IEEE Milan PowerTech, pp. 1-6, (2019), doi: 10.1109/PTC.2019.8810752. DOI: https://doi.org/10.1109/PTC.2019.8810752
[2]. A. Khan and M. Rizwan, "ANN and ANFIS Based Approach for Very Short Term Load Forecasting: A Step Towards Smart Energy Management System," 2021 8th International Conference on Signal Processing and Integrated Networks (SPIN), (2021). DOI: https://doi.org/10.1109/SPIN52536.2021.9566146
[3]. H. Aoyang, Z. Shengqi, J. Xuehui and Z. Zhisheng, "Short-term Load Forecasting Model Based on RBF Neural Network Optimized by Artificial Bee Colony Algorithm," 2021 IEEE 2nd International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering (ICBAIE), (2021). DOI: https://doi.org/10.1109/ICBAIE52039.2021.9390043
[4]. M. Bashari and A. Rahimi-Kian, "Forecasting Electric Load by Aggregating Meteorological and History-based Deep Learning Modules," 2020 IEEE Power & Energy Society General Meeting (PESGM), (2020). DOI: https://doi.org/10.1109/PESGM41954.2020.9282124
[5]. M. Kumar and R. Krishan, "Non-Linear Auto-Regressive Modeling based Day-ahead BESS Dispatch Strategy for Distribution Transformer Overload Management," 2021 International Conference on Electrical, Communication, and Computer Engineering (ICECCE), (2021). DOI: https://doi.org/10.1109/ICECCE52056.2021.9514132
[6]. M. Khashei and M. Bijari, “A novel hybridization of artificial neural networks and arima models for time series forecasting,” Applied Soft Computing, vol. 11, no. 2, pp. 2664–2675, (2011). DOI: https://doi.org/10.1016/j.asoc.2010.10.015
[7]. K.-Y. Chen and C.-H. Wang, “A hybrid sarima and support vector machines in forecasting the production values of the machinery industry in taiwan,” Expert Systems with Applications, vol. 32, no. 1, pp. 254–264, (2007). DOI: https://doi.org/10.1016/j.eswa.2005.11.027
[8]. C.-L. Hor, S. J. Watson, and S. Majithia, “Daily load forecasting and maximum demand estimation using arima and garch,” in Probabilistic Methods Applied to Power Systems, 2006. PMAPS 2006. IEEE international Conf. pp. 1–6, (2006).
[9]. K. M. Kam, “Stationary and non-stationary time series prediction using state space model and pattern-based approach”. The University of Texas at Arlington, (2014).
[10]. M. Lineesh, K. Minu, and C. J. John, “Analysis of nonstationary nonlinear economic time series of gold price: A comparative study,” in International Mathematical Forum, vol. 5, no. 34. Citeseer, pp. 1673–1683, (2010).
[11]. YanyingLi, JinxingChe, YoulongYang, “Subsampled support vector regression ensemble for short term electric load forecasting”, Energy Volume 164, Pages 160-170, (2018). DOI: https://doi.org/10.1016/j.energy.2018.08.169
[12]. A. Navot, L. Shpigelmen, N.Tishby, E.Vaadia, “Nearest Neighbor Based Feature Selection for Regression and its Application to Neural Activity”, Advances in Neural Information Processing Systems 18 [Neural Information Processing Systems, NIPS 2005, December 5-8], (2005).
[13]. H. S. Hippert, C. E. Pedreira and R. C. Souza, “Neural Networks for ShortTerm Load Forecasting: a Review and Evaluation”, IEEE Transactions on Power Systems, vol. 16, no. 1, pp. 44-55, (2001). DOI: https://doi.org/10.1109/59.910780
[14]. Kunjin Chen, Kunlong Chen, Qin Wang, Ziyu He, Jun Hu, Jinliang He, “Short-Term Load Forecasting With Deep Residual Networks”, IEEE Transactions on Smart Grid, Volume: 10, Issue: 4, (2019). DOI: https://doi.org/10.1109/TSG.2018.2844307
[15]. P. Mandal, T. Senjyu, N. Urasaki and T. Funabashi, “A neural network based saveral-hour-ahead electric load forecasting using similar days approach”, Elec. Power and Energy Systems, vol. 28, pp. 367-373, (2006). DOI: https://doi.org/10.1016/j.ijepes.2005.12.007
[16]. Ying Chen, Peter B. Luh, Che Guan, Yige Zhao, Laurent D. Michel, Matthew A. Coolbeth, Peter B. Friedland, “Short-Term Load Forecasting: Similar Day-Based Wavelet Neural Networks”, IEEE Transactions on Power Systems, Volume: 25, Issue: 1, (2010). DOI: https://doi.org/10.1109/TPWRS.2009.2030426
[17]. https://www.terna.it/en/electric-system/transparency-report/total-load.
