Побудова моделі прогнозування електричного навантаження на основі рекурентної нейронної мережі для підстанції 110 кВ: на прикладі західного регіону Республіки Казахстан

Автор(и)

DOI:

https://doi.org/10.15587/1729-4061.2024.299192

Ключові слова:

короткострокове прогнозування навантаження, рекурентні нейронні мережі, прогнозування навантаження на основі довгої короткострокової пам'яті

Анотація

У роботі представлений підхід до використання рекурентної нейронної мережі на основі довгої короткострокової пам'яті (LSTM) з різними конфігураціями побудови моделі прогнозування електричного навантаження підстанції 110 кВ.

Проблеми дисбалансу, що виникає в системах енергоменеджменту через невідповідність виробленої і споживаної енергії, можуть призводити до перебоїв у подачі електроенергії. Із впровадженням найбільш точних прогнозів завдання підтримки надійності електропостачання для мережевих операторів може бути значно спрощено.

Завдяки вивченню 81 різних комбінацій параметрів було виявлено оптимальну конфігурацію моделі LSTM для задачі прогнозування електричного навантаження. Дана конфігурація включала 15 нейронів, розмір пакету 16, з використанням алгоритму оптимізації Adamax. В результаті застосування цієї конкретної конфігурації значення середньоквадратичної похибки (MSE) становило 5,584 MW2 та значення R2 – 0,99. Високі значення R2 і низькі значення MSE вказують на те, що модель LSTM точно фіксує зміни в споживанні електроенергії з мінімальним відхиленням між прогнозованими і фактичними значеннями споживання. Вибір відповідних параметрів дозволяє значно підвищити продуктивність прогнозної моделі та знизити значення похибки MSE з 12,706 до 5,584 MW2. Оптимізована конфігурація моделі LSTM, розроблена в результаті комплексних експериментів, дозволяє розширити її можливості прогнозування.

Запропонована модель LSTM має практичну цінність для впровадження в системи моніторингу та прогнозування режимної надійності електричних мереж, зокрема в Західному енергетичному вузлі Республіки Казахстан. Її точність та надійність роблять її цінною для управління енергоресурсами та планування інфраструктури

Біографії авторів

Yerlan Kenessov, Almaty University of Power Engineering and Telecommunications named after Gumarbek Daukeyev

PhD Student

Department of Electric Power Systems

Karmel Tokhtibakiev, Almaty University of Power Engineering and Telecommunications named after Gumarbek Daukeyev

Candidate of Technical Sciences, Senior Lecturer

Department of Electric Power Systems

Almaz Saukhimov, KazNIPI Energoprom JSC

PhD

Technical Expert of Project Development and Digital Transformation

Daniil Vassilyev, Almaty University of Power Engineering and Telecommunications named after Gumarbek Daukeyev

Master's Student

Department of Electric Power Systems

Alexandr Gunin, Almaty University of Power Engineering and Telecommunications named after Gumarbek Daukeyev

PhD Student

Department of Electric Power Systems

Azamat Iliyasov, Almaty University of Power Engineering and Telecommunications named after Gumarbek Daukeyev

PhD Student

Department of Electric Power Systems

Посилання

  1. Ilyasov, A. Z., Saukhimov, A. A., Didorenko, Y. V., Landman, A. K., Janzakov, Y. B. (2022). Creation of a automation generation control system in the unified power system of Kazakhstan. Bulletin of the Almaty University of Power Engineering and Telecommunications, 1, 6–17. https://doi.org/10.51775/2790-0886_2022_56_1_6
  2. O rabote balansiruyushchego rynka elektricheskoy energii. Kazahstanskaya kompaniya po upravleniyu elektricheskimi setyami. Available at: https://www.kegoc.kz/ru/electric-power/etn/
  3. Box, G. E. P., Jenkins, G. M., Reinsel, G. C. (2008). Time Series Analysis. Wiley Series in Probability and Statistics. John Wiley & Sons, Inc. https://doi.org/10.1002/9781118619193
  4. Tarmanini, C., Sarma, N., Gezegin, C., Ozgonenel, O. (2023). Short term load forecasting based on ARIMA and ANN approaches. Energy Reports, 9, 550–557. https://doi.org/10.1016/j.egyr.2023.01.060
  5. Huang, S.-J., Shih, K.-R. (2003). Short-term load forecasting via ARMA model identification including non-gaussian process considerations. IEEE Transactions on Power Systems, 18 (2), 673–679. https://doi.org/10.1109/tpwrs.2003.811010
  6. Sayed, H. A., William, A., Said, A. M. (2023). Smart Electricity Meter Load Prediction in Dubai Using MLR, ANN, RF, and ARIMA. Electronics, 12 (2), 389. https://doi.org/10.3390/electronics12020389
  7. Moghram, I., Rahman, S. (1989). Analysis and evaluation of five short-term load forecasting techniques. IEEE Transactions on Power Systems, 4 (4), 1484–1491. https://doi.org/10.1109/59.41700
  8. Barakat, E. H., Qayyum, M. A., Hamed, M. N., Al Rashed, S. A. (1990). Short-term peak demand forecasting in fast developing utility with inherit dynamic load characteristics. I. Application of classical time-series methods. II. Improved modelling of system dynamic load characteristics. IEEE Transactions on Power Systems, 5 (3), 813–824. https://doi.org/10.1109/59.65910
  9. Wazirali, R., Yaghoubi, E., Abujazar, M. S. S., Ahmad, R., Vakili, A. H. (2023). State-of-the-art review on energy and load forecasting in microgrids using artificial neural networks, machine learning, and deep learning techniques. Electric Power Systems Research, 225, 109792. https://doi.org/10.1016/j.epsr.2023.109792
  10. Cai, W., Wen, X., Li, C., Shao, J., Xu, J. (2023). Predicting the energy consumption in buildings using the optimized support vector regression model. Energy, 273, 127188. https://doi.org/10.1016/j.energy.2023.127188
  11. Yusuf, L. O. M., Handoko, S., Setiawan, I. (2023). Forecasting Short-Term Electrical Loads Using Support Vector Regression with Gaussian Kernel Functions. Advances in Physics Research, 131–142. https://doi.org/10.2991/978-94-6463-228-6_16
  12. Choi, W., Lee, S. (2023). Performance evaluation of deep learning architectures for load and temperature forecasting under dataset size constraints and seasonality. Energy and Buildings, 288, 113027. https://doi.org/10.1016/j.enbuild.2023.113027
  13. Aseeri, A. O. (2023). Effective RNN-Based Forecasting Methodology Design for Improving Short-Term Power Load Forecasts: Application to Large-Scale Power-Grid Time Series. Journal of Computational Science, 68, 101984. https://doi.org/10.1016/j.jocs.2023.101984
  14. Jayashankara, M., Shah, P., Sharma, A., Chanak, P., Singh, S. K. (2023). A Novel Approach for Short-Term Energy Forecasting in Smart Buildings. IEEE Sensors Journal, 23 (5), 5307–5314. https://doi.org/10.1109/jsen.2023.3237876
  15. Singh, S., Tripathi, M. M. (2022). Short-Term Electricity Demand Forecast Using Deep RNN and Stacked LSTM. Advances in Manufacturing Technology and Management, 578–588. https://doi.org/10.1007/978-981-16-9523-0_64
  16. Haque, A., Rahman, S. (2022). Short-term electrical load forecasting through heuristic configuration of regularized deep neural network. Applied Soft Computing, 122, 108877. https://doi.org/10.1016/j.asoc.2022.108877
  17. Alhmoud, L., Abu Khurma, R., Al-Zoubi, A. M., Aljarah, I. (2021). A Real-Time Electrical Load Forecasting in Jordan Using an Enhanced Evolutionary Feedforward Neural Network. Sensors, 21 (18), 6240. https://doi.org/10.3390/s21186240
  18. Meng, Y., Yun, S., Zhao, Z., Guo, J., Li, X., Ye, D. et al. (2023). Short-term electricity load forecasting based on a novel data preprocessing system and data reconstruction strategy. Journal of Building Engineering, 77, 107432. https://doi.org/10.1016/j.jobe.2023.107432
  19. Jalali, S. M. J., Ahmadian, S., Khosravi, A., Shafie-khah, M., Nahavandi, S., Catalao, J. P. S. (2021). A Novel Evolutionary-Based Deep Convolutional Neural Network Model for Intelligent Load Forecasting. IEEE Transactions on Industrial Informatics, 17 (12), 8243–8253. https://doi.org/10.1109/tii.2021.3065718
  20. Yin, L., Xie, J. (2021). Multi-temporal-spatial-scale temporal convolution network for short-term load forecasting of power systems. Applied Energy, 283, 116328. https://doi.org/10.1016/j.apenergy.2020.116328
  21. Tang, X., Chen, H., Xiang, W., Yang, J., Zou, M. (2022). Short-Term Load Forecasting Using Channel and Temporal Attention Based Temporal Convolutional Network. Electric Power Systems Research, 205, 107761. https://doi.org/10.1016/j.epsr.2021.107761
  22. Hochreiter, S., Schmidhuber, J. (1997). Long Short-Term Memory. Neural Computation, 9 (8), 1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
  23. Hochreiter, S, Schmidhuber, J. (1996). LSTM can solve hard long time lag problems. In Advances in neural information processing systems. Vol. 9. MIT Press, 473–479. Available at: https://proceedings.neurips.cc/paper_files/paper/1996/file/a4d2f0d23dcc84ce983ff9157f8b7f88-Paper.pdf
  24. Kingma, D. P., Ba, J. (2014). Adam: A method for stochastic optimization. arXiv. https://doi.org/10.48550/arXiv.1412.6980
  25. Zou, F., Shen, L., Jie, Z., Zhang, W., Liu, W. (2019). A Sufficient Condition for Convergences of Adam and RMSProp. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR). https://doi.org/10.1109/cvpr.2019.01138
  26. Caicedo-Vivas, J. S., Alfonso-Morales, W. (2023). Short-Term Load Forecasting Using an LSTM Neural Network for a Grid Operator. Energies, 16 (23), 7878. https://doi.org/10.3390/en16237878
Побудова моделі прогнозування електричного навантаження на основі рекурентної нейронної мережі для підстанції 110 кВ: на прикладі західного регіону Республіки Казахстан

##submission.downloads##

Опубліковано

2024-04-30

Як цитувати

Kenessov, Y., Tokhtibakiev, K., Saukhimov, A., Vassilyev, D., Gunin, A., & Iliyasov, A. (2024). Побудова моделі прогнозування електричного навантаження на основі рекурентної нейронної мережі для підстанції 110 кВ: на прикладі західного регіону Республіки Казахстан. Eastern-European Journal of Enterprise Technologies, 2(8 (128), 6–15. https://doi.org/10.15587/1729-4061.2024.299192

Номер

Том 2 № 8 (128) (2024): Енергозберігаючі технології та обладнання

Розділ

Енергозберігаючі технології та обладнання

Ліцензія

Авторське право (c) 2024 Yerlan Kenessov, Karmel Tokhtibakiev, Almaz Saukhimov, Daniil Vassilyev, Alexandr Gunin, Azamat Iliyasov

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.