یک روش پیش‌بینی بلندمدت بار الکتریکی مبتنی بر استخراج ویژگی برای کاهش اثر داده های خارج از محدوده

الموضوعات :

محمد داود سعیدی ¹ , مجید معظمی ²

1 - دانشکده مهندسی برق- واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران
2 - مرکز تحقیقات ریزشبکه‌های هوشمند- واحد نجف‌آباد، دانشگاه آزاد اسلامی، نجف‌آباد، ایران

تاريخ الإرسال : 14 الجمعة , ربيع الثاني, 1443 تاريخ التأكيد : 04 الإثنين , شعبان, 1443 تاريخ الإصدار : 10 الثلاثاء , شعبان, 1445

الکلمات المفتاحية: ماشین یادگیری شدید, پیش‌بینی بلند‌مدت بار, میانگین درصد خطای مطلق, بهبود دقت پیش‌بینی, پیش‌پردازش, تبدیل‌ موجک,

ملخص المقالة :

پیش‌بینی میان-‌مدت بار الکتریکی اغلب برای برنامه‌ریزی عملیات نیروگاه‌های حرارتی و آبی، زمان‌بندی بهینه برای بازرسی و تعمیرات و نگهداری نیروگاه‌ها و شبکه برق استفاده می‌شود. در این مقاله یک روش ترکیبی با استفاده از تبدیل موجک و ماشین یادگیری شدید مقاوم به داده‌های خارج از محدوده، برای پیش‌بینی بلند‌مدت بار ارائه ‌شده است. داده‌های بار و دمای ساعتی، از پایگاه داده GEFCOM 2014 استخراج‌ شده و به دو دسته آموزش و آزمایش تقسیم شده است. از تبدیل موجک یک سطحی برای تجزیه داده‌ها به‌منظور استخراج ویژگی‌ها و کاهش ابعاد ماتریس داده‌ها استفاده می‌شود. دو دسته مقادیر مؤلفه‌های فرکانس پایین (تقریب) و مقادیر مؤلفه‌های فرکانس بالا (جزئیات) حاصل از تجزیه جهت آموزش و پیش‌بینی به مدل‌ وارد شده و خروجی مقادیر پایین با خروجی مقادیر بالای مدل‌ جمع می شود تا پیش بینی نهایی را تشکیل دهد. جهت سنجش و مقایسه دقت و کارایی روش پیشنهادی، اعمال تبدیل موجک روی داده‌ها، برای سه مدل‌ دیگر ماشین یادگیری شدید انجام گردیده است. همچنین داده‌ها بدون اعمال تبدیل موجک به چهار مدل پیش بینی دیگر نیز وارد شده و نتایج پیش‌بینی حاصل با روش پیشنهادی مورد مقایسه قرار گرفته است. نتایج ارزیابی فوق نشان می‌دهد که تبدیل موجک و ماشین یادگیری شدید مقاوم به داده‌های خارج محدوده باعث بهبود دقت پیش‌بینی می‌گردد و مقدار میانگین درصد خطای مطلق به عدد ۰۹۶۶/۳ کاهش یافته است. مقدار خطای کلی محاسبه شده روش پیشنهادی بهترین نتیجه در بین سایر مدل‌های ماشین یادگیری شدید و روش‌های بدون پیش‌پردازش بوده است. خطای فوق بر مبنای مقدار میانگین درصد خطای مطلق به ترتیب ۴۲۰۸/۰ نسبت به مدل ماشین یادگیری شدید اصلی، ۱۱۹۴/۰ نسبت به مدل تنظیم‌شده و ۱۳۵۳/۰ نسبت به مدل تنظیم‌شده و وزن‌دار، کاهش یافته است.

المصادر:

[1] M. Shahidehpour, H. Yamin, Z. Li, "Market operations in electric power systems: forecasting, scheduling, and risk management", Wiley-IEEE Press, vol. 40, April 2002 (doi: 10.1002/047122412X).

[2] L. Han, Y. Peng, Y. Li, B. Yong, Q. Zhou, L. Shu, "Enhanced deep networks for short-term and medium-term load forecasting", IEEE Access, vol. 7, pp. 4045–4055, 2019 (doi: 10.1109/ACCESS.2018.2888978).

[3] A.A. Mamun, M. Sohel, N. Mohammad, M.S.H. Sunny, D.R. Dipta, E. Hossain, "A comprehensive review of the load Forecasting techniques using single and hybrid predictive models", IEEE Access, vol. 8, pp. 134911–134939, 2020 (doi: 10.1109/ACCESS.2020.3010702).

[4] J.C. Lopez, M.J. Rider, Q. Wu, "Parsimonious short-term load forecasting for optimal operation planning of electrical distribution systems", IEEE Trans. on Power Systems, vol. 34, no. 2, pp. 1427–1437,  March 2019 (doi: 10.1109/TPWRS.2018.2872388).

[5] G. Zhang, J. Guo, "A novel method for hourly electricity demand forecasting", IEEE on Trans. Power Systems, vol. 35, no. 2, pp. 1351–1363, March 2020 (doi: 10.1109/TPWRS.2019.2941277).

[6] S.M. Baek, "Mid-term load pattern forecasting with recurrent artificial neural network", IEEE Access, vol. 7, pp. 172830–172838, 2019 (doi: 10.1109/ACCESS.2019.2957072).

[7] Z. Deng, B. Wang, Y. Xu, T. Xu, C. Liu, Z. Zhu, "Multi-scale convolutional neural network with time-cognition for multi-step short-term load forecasting", IEEE Access, vol. 7, pp. 88058–88071, 2019 (doi: 10.1109/AC­CE­SS.2­019.2926137).

[8] K. Yan, W. Li, Z. Ji, M. Qi, Y. Du, "A hybrid lSTM neural network for energy consumption forecasting of individual households", IEEE Access, vol. 7, pp. 157633–157642, 2019 (doi: 10.1109/ACCE­SS.20­19.2­94­90­6­5).

[9] W. Li, Q. Shi, M. Sibtain, D. Li, D.E. Mbanze, "A hybrid forecasting model for short-term power load based on sample entropy, two-phase decomposition and whale algorithm optimized support vector regression", IEEE Access, vol. 8, pp. 166907–166921, 2020  (doi: 10.1109/ACCESS.2020.3023143).

[10] H. Bo, Y. Nie, J. Wang, "Electric load forecasting use a novelty hybrid model on the basic of data prepro­ces­si­ng technique and multi-objective optimization algorithm", IEEE Access, vol. 8, pp. 13858–13874, 2020 (doi: 10.1109/ACCESS.2020.2966641).

[11] Z. Wen, L. Xie, Q. Fan, H. Feng, "Long term electric load forecasting based on TS-type recurrent fuzzy neural network model", Electric Power Systems Research, vol. 179, Article Number: 106106, Feb. 2020 (Doi: 10.1016/j.epsr.2019.106106).

[12] M. El-Hendawi, Z. Wang, "An ensemble method of full wavelet packet transform and neural network for short term electrical load forecasting", Electric Power Systems Research, vol. 182, Article Number: 106265, May 2020 (doi: 10.1016/j.epsr.2020.106265).

[13] H.H.H. Aly, "A proposed intelligent short-term load forecasting hybrid models of ANN, WNN and KF based on clustering techniques for smart grid", Electric Power Systems Research, vol. 182, Article Number: 106191, May 2020 (doi: 10.1016/j.epsr.2019.106191).

[14] Z. Liao, H. Pan, X. Fan, Y. Zhang, L. Kuang, "Multiple wavelet convolutional neural network for short-term load forecasting", IEEE Internet of Things Journal, vol. 8, no. 12, pp. 9730-9739, June 2021 (doi: 10.11­09/JIOT.2­020.3026733).

[15] M. Zhang, Z. Yu, Z. Xu, "Short-term load forecasting using recurrent neural networks with input attention mechanism and hidden connection mechanism", IEEE Access, vol. 8, pp. 186514-186529, 2020 (doi: 10.110­9/ACCE­SS.2020.3029224).

[16] G. Hafeez, K.S. Alimgeer, I. Khan, "Electric load forecasting based on deep learning and optimized by heu­ri­stic algorithm in smart grid", Applied Energy, vol. 269, Article Number: 114915, July 2020 (doi: 10.1016/j.apenergy.2020.114915).

[17] S. Abbas, M.A. Khan, L.E. Falcon-Morales, A. Rehman, Y. Saeed, M. Zareei, A. Zeb, E.M. Mohamed, "Modeling, simulation and optimization of power plant energy sustainability for IoT enabled smart cities empowered with deep extreme learning machine", IEEE Access, vol. 8, pp. 39982-39997, 2020 (doi: 10.1109/ACCESS.2020.2976452).

[18] L. Yin, Z. Sun, F. Gao, H. Liu, "Deep forest regression for short-term load forecasting of power systems", IEEE Access, vol. 8, pp. 49090-49099, 2020 (doi: 10.1109/ACCESS.2020.2979686).

[19] M.V. Selvi, S. Mishra, "Investigation of performance of electric load power forecasting in multiple time horizons with new architecture realized in multivariate linear regression and feed-forward neural network techniques", IEEE Trans. on Industry Applications, vol. 56, no. 5, pp. 5603-5612, Sept.-Oct. 2020 (doi: 10.1109/TIA.2020.3009313).

[20] C.S. Lai, Y. Yang, K. Pan, J. Zhang, H.L. Yuan HL, W.WY. Ng, Y. Gao, Z. Zhao, T. Wang, M. Shahidehpour, L.L. Lai, "Multi-view neural network ensemble for short and mid-term load forecasting", IEEE Trans. on Power Systems, vol. 36, no. 4, pp. 2992-3003, July 2021 (doi: 10.1109/TPWRS.2020.3042389).

[21] W. Guo, L. Che, M. Shahidehpour, X. Wan, "Machine-learning based methods in short-term load forecasting", The Electricity Journal, vol. 34, no. 1, Article Number: 106884, Jan./Feb. 2021 (doi: 10.10­16/j.t­ej.2­020.106884).

[22] X. Shao, C. Pu, Y. Zhang, C.S. Kim, "Domain fusion CNN-LSTM for short-term power consumption forecasting", IEEE Access, vol. 8, pp. 188352-188362, 2020 (doi: 10.1109/ACCESS.2020.3031958).

[23] M.H. Pham, M.N. Nguyen, Y.K. Wu, "A novel short-term load forecasting method by combining the deep learning with singular spectrum analysis", IEEE Access, vol. 9, pp. 73736-73746, 2021 (doi: 10.1109/AC­CES­S.2021.3078900).

[24] T.A. Farrag, E.E. Elattar, "Optimized deep stacked long short-term memory network for long-term load forecasting", IEEE Access, vol. 9, pp. 68511-68522, 2021 (doi: 10.1109/ACCESS.2021.3077275).

[25] I.M. Mehedi, H. Bassi, M.J. Rawa, M. Ajour, A. Abusorrah, M.T. Vellingiri, Z. Salam, M.P. Bin, "Intelligent machine learning with evolutionary algorithm based short term load forecasting in power systems", IEEE Access, vol. 9, pp. 100113-100124, 2021 (doi: 10.1109/ACCESS.2021.3096918).

[26] J. Luo, T. Hong, S.C. Fang, "Robust regression models for load forecasting", IEEE Trans. on Smart Grid, vol. 10, no. 5, pp. 5397-5404, Sept. 2019 (doi: 10.1109/TSG.2018.2881562).

[27] P. Wang, B. Liu, T. Hong, "Electric load forecasting with recency effect: A big data approach", Int Journal of Forecasting, vol. 32, no, 3, pp. 585-597, July/Sept. 2016 (doi: 10.1016/j.ijforecast.2015.09.006).

[28] A.J.R. Reis, A.P.A. Silva, "Feature extraction via multiresolution analysis for short-term load forecasting", IEEE Trans. on Power Systems, vol. 20, no. 1, pp. 189-198, Feb. 2005 (doi: 10.1109/TPWRS.2004.840380).

[29] K. Zhang, M. Luo, "Outlier-robust extreme learning machine for regression problems", Neurocomputing, vol.  151, no. 3, pp. 1519-1527, March 2015 (doi: 10.1016/j.neucom.2014.09.022).

[30] J. Yang, Y. Zhang, "Alternating direction algorithms for ℓ1-problems in compressive sensing", SIAM Journal of Scientific Computing, vol. 33, no. 1, pp. 250-278, 2011 (doi: 10.1137/090777761).

[31] Z. Lin, M. Chen, Y. Ma, "The augmented lagrange multiplier method for exact Recovery of corrupted low-rank matrices", Mathematics, Optimization and Control pp. 2-28, Sept. 2010 (doi: 10.1016/j.jsb.2012.10.010).

[32] W. Zuo, D. Meng, L. Zhang, X. Feng, D. Zhang, "A generalized iterated shrinkage algorithm for non-convex sparse coding", Proceeding of the IEEE/ICCV, pp. 217–224, Sydney, NSW, Australia, Dec. 2013 (doi: 10.11­09/IC­CV.2013.34).

[33] D.L. Donoho, Y. Tsaig, "Fast solution of ℓ1-Norm minimization problems when the solution may be sparse", IEEE Trans. on Information Theory, vol. 54, no. 11, pp. 4789-4812, Nov. 2008 (doi: 10.1109/TI­T.200­8.92­99­58).

[34] M.A.T. Figueiredo, R.D. Nowak, S.J. Wright, "Gradient projection for sparse reconstruction: Application to compressed sensing and other inverse problems", IEEE Journal of Selected Topics in Signal Processing, vol. 1, no. 4, pp. 586-597, Dec. 2007 (doi: 10.1109/JSTSP.2007.910281).

[35] T. Hong, P. Pinson, S. Fan, H. Zareipour, A. Troccoli, R.J. Hyndman, "Probabilistic energy forecasting: Global energy forecasting competition 2014 and beyond", International Journal of Forecasting, vol. 32, no. 3, pp. 896–913, July/Sept. 2016 (doi: 10.1016/j.ijforecast.2016.02.001).

[36] Aasim, S.N. Singh, A. Mohapatra, "Data driven day-ahead electrical load forecasting through repeated wavelet transform assisted SVM model", Applied Soft Computing, vol. 111, Article Number: 107730, Nov. 2021 (doi: 10.1016/j.asoc.2021.107730).