Clustering based deep learning strategy for the short-term load aggregate load forecasting for smart grids / Akıllı şebekeler için kısa vadede yük toplam yük tahmini için kümeleme tabanlı derin öğrenme stratejisi

Abstract

Kısa vadeli yük tahmini, bir akıllı evin kamu sektörü tarafından oluşturulan bir talep yanıtı olayına katılıp katılmayacağını belirlemede büyük önem taşır. Ancak, akıllı evlerin enerji tüketiminde yer alan düzensizlik ve belirsizlik, tahminler için zorluklar yaratmaktadır. Ek olarak, gelecekteki akıllı şebeke senaryolarının talep yanıtı programlarında çok sayıda akıllı ev olduğu göz önüne alındığında, her ev için benzersiz bir tahmin aracı tasarlamak ve onu sürekli güncellemek, büyük veri ile ilgili zorluklarla karşılaşır ve ekonomik olarak uygulanabilir bir yaklaşım olmayabilir. Bu sorunları çözmek için ARIMA, MLP ve LSTM olmak üzere üç farklı metodoloji ve farklı model konfigürasyonları kullanılıyor. Önerilen metodolojiler Akıllı Şebeke Akıllı Şehir (Smart Grid Smart City) veri seti üzerinde test edilmiş ve en fazla sayıda müşterinin mevcut olduğundan emin olmak için tarih seçilmiş, ardından k-ortalama kümelemesi kullanılarak evler kapsamlı bir bilgilendirici özelliklerine göre kümeler halinde gruplandırılmıştır. Tek bir tahminciye sahip olmak yerine, her kümenin kümenin genel tüketim tahmini için rekabet eden bir tahminci havuzu vardır. Ardından, nihai genel tüketim tahminine ulaşmak için bir araya getirilirler. Toplam düzeyde tahmin doğruluğunu düzgün bir şekilde ölçmek için ölçekten bağımsız ve sıfıra yakın değerlere dayanıklı RMSE ve MAE gibi değerlendirme metrikleri kullanıldı. Short-term load forecasting is of great importance in determining whether a smart home (SH) will participate in a Demand Response (DR) event created by the utility operator. However, volatility and uncertainty involved in energy consumption of SHs poses difficulties for their forecasting. Additionally, given the large number of SHs in DR programs of future smart grid scenarios, designing a unique predictor for each SH and constantly updating it faces big-data related challenges and may not be an economically viable approach. To tackle these issues, we evaluate three different methodologies, which are ARIMA, MLP and LSTM and different configurations of models are used. The proposed methodologies are tested on Smart Grid Smart City dataset and the date is picked to ensure that the greatest number of customers are available, after that, using k-means clustering the houses are grouped into clusters according to their informative features obtained from an extensive statistical analysis. Instead of having one predictor, each cluster has a pool of predictors that compete for the cluster's overall consumption forecast. Then they're added together to reach the final overall consumption forecast. We use evaluation metrics such the RMSE and MAE, which are scale-independent and robust to values near zero, to properly measure predicting accuracy at the aggregated level.