پيش‌بيني كوتاه مدت مصرف بار الكتريكي با استفاده از يك ساختار يادگيري عميق مبتني بر گراف

Short-term Load Forecasting Using a Graph-based Deep Learning Structure

پيش‌بيني بارهاي الكتريكي يك عمليات ضروري براي برنامه‌ريزي مديريت مصرف در سيستم‌هاي قدرت به شمار مي‌رود. با پيدايش فناوري‌هاي جديد در سيستم‌هاي قدرت، رشد سريع صنايع مبتني بر انرژي الكتريكي و افزايش بي‌رويه‌ي جمعيت، مسئله‌ي پيش‌بيني كوتاه مدت بار مصرفي شكل جديدي به خود گرفته است. در اين مقاله يك ساختار يادگيري عميق بر مبناي گراف براي پيش‌بيني كوتاه مدت بار ارائه شده است. اين ساختار پيشنهادي از سه قسمت اصلي تشكيل شده است. از شبكه‌هاي عصبي كانولوشني (CNN) براي يادگيري مشخصات مكاني، از ساختار دو طرفه حافظه‌ي بلند كوتاه مدت (BLSTM) براي يادگيري كامل مشخصات زماني سري زماني بار مصرفي و يك ساختار انكودر-دكودر عميق براي افزايش قدرت يادگيري مشخصات سري زماني بار از داده‌هاي خام بار مصرفي پيشين استفاده شده است. اين ساختار به صورت يك ساختار مبتني بر گراف طراحي شده است تا با يادگيري تاثيرات مشخصاتي اقليمي همچون رطوبت، دما و فشار هوا بر روي بار مصرفي، دقت مطلوبي براي پيش‌بيني بارهاي مصرفي داشته باشد. براي ارزيابي نتايج از داده‌هاي پيشين واقعي شهر شيراز، ايران استفاده شده است. براي اين كه موثر بودن و برتري روش پيشنهادي نشان داده شود، تكنيك پيشنهادي در پيش‌بيني فصل‌هاي مختلف و در طول يك سال و همچنين، تاثيرگذاري مشخصات اقليمي بر روي بارهاي مصرفي مورد ارزيابي و مقايسه با روش‌هاي متنوعي بر مبناي يادگيري عميق و روش‌هاي مبتني بر يادگيري ماشين مختلف و با استفاده از نرم‌افزار python مقايسه شده است.

Prior knowledge about the load data in the shape of future information plays a pivotal role in the optimal operation and planning in the electrical networks. In this paper, we design a deep learning-based network to characterize the load for the next hours. With emerging new technologies and a high growth rate of the population, short-term load forecasting (STLF) has reformed to a more complicated problem rather than in the traditional electrical networks, therefore, designing a structure that can capture spatial-temporal features is a challenging and essential task. To this end, we aim to develop a new deep learning structure, which is able to handle high volatility time series including load sequences. The designed network is composed of three different types of deep networks, convolutional neural network (CNN) as a strong spatial feature extractor, bidirectional long short-term memory unit as a suitable temporal feature learner, and encoder-decoder to enhance accuracy, which are formed in a graph-based deep network to inherently learn features of a time series and corresponding meteorological data. The proposed method is directly applicable to raw data and enhances the level of accuracy in terms of several metrics. The simulation results on actual load time series, in Shiraz, Iran, are compared with a number of well-known shallow and deep-based networks to verify the effectiveness and superiority of the designed deep network. Furthermore, the proposed STLF structure is tested in different seasons and the impact of the meteorological data is analyzed.