DỰ BÁO PHỤ TẢI ĐIỆN NGẮN HẠN BẰNG MÔ HÌNH MÁY HỌC: ÁP DỤNG CHO ITALIA
177 lượt xemTừ khóa:
Dự báo tải điện ngắn hạn; Thuật toán tương đồng “similar shape algorithms”; Máy học; Thị trường điện toán dự báo tải điện.Tóm tắt
Những yếu tố ảnh hưởng đến tải điện của một ngày được thu thập và xử lý thông qua việc quan sát và phân tích dữ liệu tải điện từ bộ dữ liệu lịch sử. Từ những yếu tố này, bài báo đề xuất sử dụng mô hình thuật toán “K-nearest neighbor – Regression” để dự báo tải điện cho 24h của ngày tiếp theo bằng cách tìm trong bộ dữ liệu lịch sử những ngày mà có các yếu tố giống với ngày tiếp theo nhất và sử dụng tải điện của những ngày đó để tính toán, dự báo tải điện cho ngày tiếp theo. Sau cùng, bài báo tính toán sai số giữa tải điện dự báo và tải điện thực tế, và so sánh kết quả với dự báo của Terna. Ngoải ra, bái báo cũng kiểm chứng phương pháp đề xuất bằng việc áp dụng thuật toán này cho phụ tải điện ở Italia và dữ liệu của GME (dữ liệu thị trường điện ở Italia).
Tài liệu tham khảo
[1]. M.Tucci, M.Raugi, G.Giunta, E.Crisostomi, “A Multi-Objective Method for Short- Term Load Forecasting in European Countries”, IEEE Transactions on Power Systems, vol. 31 , Issue: 5, pp. 3537-3574, Sept 2016.
[2]. Ervin Ceperic, Vladimir Ceperic, Adrijan Baric, “A Strategy for Short-Term Load Forecasting by Support Vector Regression Machines”, IEEE Transactions on Power Systems (Volume: 28, Issue: 4, Nov. 2013).
[3]. Yanying Li, Jinxing Che, Youlong Yang, “Subsampled support vector regression ensemble for short term electric load forecasting”, Energy Volume 164, 1 December 2018, Pages 160-170.
[4]. 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, NIPS 2005, December 5-8, 2005.
[5]. 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.
[6]. 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, July 2019.
[7]. 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.
[8]. 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, Feb. 2010.
[9]. Gabriel Trierweiler Ribeiro, Viviana Cocco Mariani, Leandro dos Santos Coelho, “Enhanced ensemble structures using wavelet neural networks applied to short-term load forecasting”, Engineering Applications of Artificial Intelligence, Volume 82, June 2019, Pages 272-281.
[10]. https://www.terna.it/en/electric-system/transparency-report/total-load
[11]. L. Semeraro, E. Crisostomo, A. Franco, A. Landi, M. Raugi, M. Tucci, “Electrical load clustering: The Italian case”, IEEE PES Innovative Smart Grid Technologies, Europe, 2014.
