Kỹ thuật dự báo phụ tải cho công ty điện lực Vĩnh Long dựa vào mạng LSTM
Abstract
This paper proposes to make forecasting models to estimate the electrical load based on the measurements of current electrical loads of the Vinh Long power company using a Long Short-Term Memory network (LSTM). This is a method to predict future load demands by analyzing historical data and finding dependency patterns of its time-step observations. The LSTM network is a sort of temporal cyclic neural network that is specifically designed to address the long-term reliance issue. Simulation results proved that the proposed method revealed promising results using root mean square error (RMSE). This would help to ascertain the fluctuation in electric load well in advance and making an opportunity or scope for preparation to meet the sudden increase in load demand thereby meeting the expectations of an active load forecasting with numerous applications in power system arena.
Tóm tắt
Bài báo này đề xuất giải pháp xây dựng mô hình dự báo để ước tính phụ tải điện dựa trên số đo của phụ tải điện hiện nay của Công ty Điện lực Vĩnh Long sử dụng mạng LSTM (Long-Short Term Memory). Đây là phương pháp dự đoán nhu cầu phụ tải trong tương lai bằng cách phân tích dữ liệu quá khứ và tìm ra các mẫu phụ thuộc của các quan sát theo bước thời gian của nó. Mạng LSTM là một loại mạng tuần hoàn được thiết kế đặc biệt để giải quyết vấn đề độ tin cậy dài hạn. Các kết quả mô phỏng đã chứng minh rằng phương pháp đề xuất cho kết quả đầy hứa hẹn bằng cách sử dụng sai số bình phương trung bình gốc (RMSE). Kết quả này sẽ giúp xác định trước sự biến động của phụ tải điện và tạo cơ hội hoặc phạm vi để chuẩn bị nhằm đáp ứng nhu cầu phụ tải tăng đột ngột, từ đó đáp ứng sự mong đợi của dự báo tải hoạt động với nhiều ứng dụng trong lĩnh vực hệ thống điện
Tài liệu tham khảo
[1] N. M. M. Bendaoud and N. Farah, “Using deep learning for short-term load forecasting,” Neural Comput & Applic, vol. 32, no. 18, pp. 15029–15041, Sep. 2020, doi: 10.1007/s00521-020-04856-0.
[2] Thapar Institue of Engineering and Technology Patiala, India and M. K. Singla, “Electrical Load Forecasting Using Machine Learning,” IJATCSE, vol. 8, no. 3, pp. 615–619, 2019, doi: 10.30534/ijatcse/2019/45832019.
[3] M. Abumohsen, A. Y. Owda, and M. Owda, “Electrical Load Forecasting Using LSTM, GRU, and RNN Algorithms,” Energies, vol. 16, no. 5, pp. 1–31, 2023, doi: 10.3390/en16052283.
[4] N. Ahmad, Y. Ghadi, M. Adnan, and M. Ali, “Load Forecasting Techniques for Power System: Research Challenges and Survey,” IEEE Access, vol. 10, pp. 71054–71090, 2022, doi: 10.1109/ACCESS.2022.3187839.
[5] M. Cordeiro-Costas, D. Villanueva, P. Eguía-Oller, M. Martínez-Comesaña, and S. Ramos, “Load Forecasting with Machine Learning and Deep Learning Methods,” Applied Sciences, vol. 13, no. 13, pp. 1–25, 2023, doi: 10.3390/app13137933.
[6] J. Xin, Z. Wei, Y. Dong, and W. Ni, “LSTM-RNN-FNN Model for Load Forecasting Based on Deleuze’s Assemblage Perspective,” Front. Energy Res., vol. 10, pp. 1–9, May 2022, doi: 10.3389/fenrg.2022.905359.
[7] F. U. M. Ullah, A. Ullah, N. Khan, M. Y. Lee, S. Rho, and S. W. Baik, “Deep Learning-Assisted Short-Term Power Load Forecasting Using Deep Convolutional LSTM and Stacked GRU,” Complexity, vol. 2022, pp. 1–15, 2022, doi: 10.1155/2022/2993184.
[8] Z. Hamad and I. Abdulrahman, “Deep learning-based load forecasting considering data reshaping using MATLABSimulink,” Int J Energy Environ Eng, vol. 13, no. 2, pp. 853–869, Jun. 2022, doi: 10.1007/s40095-022-00480-x.
[9] Z. Chen et al., “Load Forecasting Based on LSTM Neural Network and Applicable to Loads of ‘Replacement of Coal with Electricity,’” J. Electr. Eng. Technol., vol. 16, no. 5, pp. 2333–2342, Sep. 2021, doi: 10.1007/s42835-021-00768-8.
[10] N. Thai-Nghe, T. T. Hung, and N. C. Ngon, “A Forecasting Model for Monitoring Water Quality in Aquaculture and Fisheries IoT Systems,” in 2020 International Conference on Advanced Computing and Applications (ACOMP), Quy Nhon, Vietnam: IEEE, 2020, pp. 165–169. doi: 10.1109/ACOMP50827.2020.00033.
[11] B. Lim and S. Zohren, “Time-series forecasting with deep learning: a survey,” Phil. Trans. R. Soc. A., vol. 379, no. 2194, pp. 1–13, 2021, doi: 10.1098/rsta.2020.0209.
[12] S. Hochreiter and J. Schmidhuber, “Long Short-Term Memory,” Neural Computation, vol. 9, no. 8, pp. 1735–1780, 1997, doi: 10.1162/neco.1997.9.8.1735.
