کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
8071017 1521390 2018 48 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A deep learning model for short-term power load and probability density forecasting
ترجمه فارسی عنوان
یک مدل یادگیری عمیق برای بار نیروی کوتاه مدت و پیش بینی چگالی احتمال
کلمات کلیدی
یادگیری عمیق، پیش بینی تراکم احتمال، مهندسی ویژگی، پیش بینی بار قدرت
ترجمه چکیده
پیش بینی دقیق بار برای برنامه ریزی نیروی برق و تصمیم گیری عملیاتی بسیار مهم است. در این مطالعه، ما برای اولین بار از یک شبکه قوی برای پیش بینی بار الکتریکی کوتاه مدت استفاده می کنیم. نتایج ما با آنهایی که از مدل های یادگیری ماشین های رایج مانند مدل تصادفی جنگل و مدل های تقویت شیب استفاده می شود مقایسه شده است. سپس الگوهای مصرف برق براساس الگوهای ماهانه، هفتگی و دما بر اساس اهمیت ویژهای بررسی میشوند. همچنین، روش پیش بینی تراکم احتمال بر اساس یادگیری عمیق، رگرسیون کیفی و تخمین تراکم هسته ارائه شده است. برای بررسی کارایی روش های پیشنهادی، سه مطالعه موردی براساس داده های روزانه مصرف برق برای سه شهر چینی در سال 2014 انجام می شود. نتایج تجربی نشان می دهد که (1) رویکرد مبتنی بر یادگیری عمیق پیشنهادی دقت پیش بینی دقیق تر از لحاظ اندازه گیری مصرف برق نسبت به مدل تصادفی جنگل و تقویت شیب را نشان می دهد؛ (2) متغیرهای ماهانه، هفتگی و آب و هوا عوامل اصلی هستند که تأثیر زیادی بر مصرف برق خانوار دارند. و (3) روش پیش بینی چگالی پیشنهادی قادر به پیش بینی فواصل پیش بینی با کیفیت با پیش بینی چگالی احتمال است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی انرژی انرژی (عمومی)
پیش نمایش مقاله
یک مدل یادگیری عمیق برای بار نیروی کوتاه مدت و پیش بینی چگالی احتمال
چکیده انگلیسی
Accurate load forecasting is critical for power system planning and operational decision making. In this study, we are the first to utilize a deep feedforward network for short-term electricity load forecasting. Our results are compared to those of popular machine learning models such as random forest and gradient boosting machine models. Then, electricity consumption patterns are explored based on monthly, weekly and temperature-based patterns in terms of feature importance. Also, a probability density forecasting method based on deep learning, quantile regression and kernel density estimation is proposed. To verify the efficiency of the proposed methods, three case studies based on daily electricity consumption data for three Chinese cities for 2014 are conducted. The empirical results demonstrate that (1) the proposed deep learning-based approach exhibits better forecasting accuracy in terms of measuring electricity consumption relative to the random forest and gradient boosting model; (2) monthly, weekly and weather-related variables are key factors that have a great influence on household electricity consumption; and (3) the proposed probability density forecasting method is capable of forecasting high-quality prediction intervals via probability density forecasting.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Energy - Volume 160, 1 October 2018, Pages 1186-1200
نویسندگان
, , , ,