Wawasan Peramalan Permintaan Berdasarkan Pembelajaran Mendalam dalam Grid Pintar(1)

Abstrak: Grid pintar mampu meramalkan corak penggunaan pelanggan, iaitu, permintaan tenaga mereka, dan seterusnya elektrik boleh dihantar selepas mengambil kira permintaan yang dijangkakan. Untuk menghadapi cabaran ramalan permintaan hari ini, di mana data yang dijana oleh grid pintar adalah besar, teknik dipacu data moden perlu digunakan. Dalam senario ini, model Pembelajaran Dalam ialah alternatif yang baik untuk mempelajari corak daripada data pelanggan dan kemudian meramalkan permintaan untuk ufuk ramalan yang berbeza. Antara Rangkaian Neural Tiruan yang biasa digunakan, Rangkaian Memori Jangka Pendek Panjang—berdasarkan Rangkaian Neural Berulang—memainkan peranan penting. Kertas kerja ini memberikan gambaran tentang kepentingan isu ramalan permintaan dan faktor lain yang berkaitan, dalam konteks grid pintar, dan mengumpulkan beberapa pengalaman penggunaan teknik Pembelajaran Dalam, untuk tujuan ramalan permintaan. Untuk mempunyai sistem kuasa yang cekap, keseimbangan antara bekalan dan permintaan adalah perlu. Oleh itu, pihak berkepentingan industri dan penyelidik harus membuat usaha khas dalam peramalan beban, terutamanya dalam jangka pendek, yang penting untuk tindak balas permintaan.

Kata kunci: ramalan permintaan; ramalan beban; tindak balas permintaan; ramalan ufuk; grid pintar; persekitaran pintar; Pembelajaran Mendalam; Rangkaian Memori Jangka Pendek Panjang; Rangkaian Neural Convolutional;Cistanche deserticola

ginseng padang pasir

1. Pengenalan

Elektrik tidak boleh disimpan dengan mudah untuk bekalan masa hadapan, tidak seperti komoditi lain seperti minyak. Ini bermakna elektrik mesti diagihkan kepada pengguna sejurus selepas pengeluarannya. Pengagihan elektrik kepada pengguna akhir telah dilakukan dengan bantuan grid elektrik tradisional (lihat definisi dalam Jadual 1) yang membolehkan penghantaran elektrik daripada pengeluar kepada pengguna. Untuk mencapai matlamat itu, ia menghubungkan stesen penjanaan elektrik dan talian penghantaran yang menghantar tenaga elektrik kepada pengguna akhir. Grid elektrik tradisional berbeza dalam saiz. Apabila grid ini mula berkembang, mengawalnya menjadi tugas yang sangat kompleks dan sukar. Selain itu, ramalan permintaan (lihat takrifan dalam Jadual 1) secara tradisinya tidak dipertimbangkan.

Dalam konteks ini, konsep grid pintar (lihat definisi dalam Jadual 1) timbul dan mula memainkan peranan penting. Konsep ini telah disemak secara menyeluruh dalam literatur (cth, [1–4]). Grid pintar menyediakan komunikasi dua hala antara pengguna dan pembekal. Grid pintar menambah perkakasan dan perisian pada grid elektrik tradisional untuk menyediakan kapasiti tindak balas autonomi kepada peristiwa berbeza yang boleh menjejaskan grid elektrik. Objektif akhir adalah untuk mencapai kecekapan operasi harian yang optimum untuk penghantaran kuasa elektrik. Dalam [4], penulis mentakrifkan "grid pintar" sebagai bentuk rangkaian elektrik baharu yang menawarkan penyembuhan diri, kawalan rakan kuasa, keselamatan tenaga dan kebolehpercayaan tenaga menggunakan teknologi digital. Dalam [2], penulis menekankan bahawa konsep grid pintar mengubah grid elektrik tradisional dengan menggunakan pelbagai jenis teknologi canggih. Menurut pengarang ini, konsep ini mengintegrasikan semua elemen yang diperlukan untuk menjana, mengagih dan menggunakan tenaga secara cekap dan berkesan. Dalam [5], penulis menekankan bahawa konsep grid pintar muncul untuk menjadikan grid elektrik tradisional lebih cekap, selamat, boleh dipercayai, dan stabil, dan dapat melaksanakan tindak balas permintaan (lihat definisi dalam Jadual 1).

Jadual 1. Kata kunci penting untuk membaca artikel ini.

Paradigma grid pintar membolehkan pengguna mengetahui corak penggunaan tenaga mereka. Akibatnya, pengguna boleh mengawal penggunaan mereka dan menggunakan tenaga dengan lebih cekap. Dalam pelaksanaan konsep grid pintar, tindak balas permintaan—untuk tujuan isi rumah dan industri—memainkan peranan penting. Alat lain yang berguna ialah ramalan beban (lihat definisi dalam Jadual 1). Dalam [6] pengarang menandakan kepentingan konsep ini dalam konteks grid pintar, kerana meramalkan tenaga elektrik yang diperlukan untuk memenuhi permintaan membolehkan syarikat kuasa mengimbangi permintaan dan bekalan dengan lebih baik. Syarikat kuasa amat berminat untuk mencapai ramalan yang tepat untuk 24 jam seterusnya, yang dipanggil profil beban (lihat definisi dalam Jadual 1).

Di samping itu, dalam beberapa tahun kebelakangan ini, peningkatan permintaan untuk elektrik pada masa tertentu dalam sehari telah menimbulkan beberapa masalah. Ramalan beban adalah penting terutamanya semasa waktu puncak. Tindak balas permintaan menggalakkan pelanggan untuk menurunkan penggunaan tenaga yang tidak penting pada waktu puncak ini.

Untuk menghadapi cabaran ramalan beban, adalah perlu untuk menggunakan teknik dipacu data moden. Malah, penggabungan teknologi baharu, seperti Data Besar, Pembelajaran Mesin, Pembelajaran Dalam dan Internet Perkara (IoT), telah meningkatkan konsep grid pintar ke tahap yang lain, kerana teknologi ini membolehkan ramalan permintaan yang lebih baik dan tindak balas permintaan automatik .

Makalah ini memberikan pandangan tentang kepentingan ramalan permintaan dan faktor penting berkaitan dalam konteks grid pintar, serta kemungkinan menggunakan teknik dipacu data untuk tujuan ini. Lebih khusus lagi, pengarang memberi tumpuan kepada teknik Pembelajaran Dalam, kerana ia telah muncul sebagai pilihan yang baik untuk pelaksanaan ramalan permintaan dalam konteks grid pintar. Kertas kerja mengumpul beberapa pengalaman menggunakan teknik Pembelajaran Dalam yang berbeza dalam domain tenaga untuk tujuan peramalan. Sistem kuasa effigy-client mesti mengambil kira tindak balas permintaan. Selain itu, ramalan beban yang tepat, terutamanya dalam jangka pendek, adalah penting, itulah sebabnya pihak berkepentingan dan penyelidik industri berusaha keras ke dalamnya.

Percubaan Cistanche deserticola

Klik di sini untuk melihat produk Cistanche

【Minta lebih lanjut】 E-mel:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Baki kertas ini disusun seperti berikut. Bahagian 2 membentangkan sebab mengapa ramalan permintaan adalah penting dalam konteks grid pintar. Bahagian 3 menerangkan faktor terpenting dalam ramalan permintaan. Bahagian 4 membentangkan klasifikasi yang mungkin berbeza bagi teknik ramalan permintaan. Bahagian 5 menyediakan beberapa asas dan konsep yang berguna untuk memahami model Pembelajaran Dalam yang biasa digunakan dalam domain tenaga. Bahagian 6 mengumpul pengalaman berbeza menggunakan model ini dalam konteks grid pintar untuk tujuan peramalan. Akhir sekali, Bahagian 7 meringkaskan kesimpulan utama kerja ini.

2. Kepentingan Ramalan Permintaan

Dalam [7] pengarang meringkaskan keperluan utama grid pintar seperti berikut: cukup fleksibel untuk memenuhi keperluan pengguna, mampu mengurus peristiwa yang tidak menentu, boleh diakses oleh semua pengguna, cukup dipercayai untuk menjamin penghantaran tenaga berkualiti tinggi kepada pengguna, dan cukup inovatif. untuk menguruskan tenaga dengan cekap.

Dengan mengambil kira keperluan ini, grid pintar harus menyasarkan untuk membangunkan penyelesaian teknikal kos rendah dan mudah digunakan dengan kecerdasan teragih untuk beroperasi dengan cekap dalam senario yang semakin kompleks hari ini. Untuk menaik taraf grid elektrik tradisional kepada grid pintar, infrastruktur komunikasi yang bijak dan selamat diperlukan [4].

Menurut kajian yang dibentangkan dalam [8], ramalan boleh digunakan dalam dua bidang utama: kawalan grid dan tindak balas permintaan. Dalam [9], penulis menyerlahkan bahawa model ramalan adalah penting untuk menyediakan kualiti optimum bekalan tenaga pada kos terendah. Selain itu, maklumat masa nyata tentang corak penggunaan tenaga pengguna akan membolehkan model ramalan yang lebih canggih dan cekap digunakan. Ramalan juga mesti mempertimbangkan keperluan untuk mengurus maklumat yang sentiasa berubah. Dalam [10], penulis menyerlahkan bahawa, dengan grid pintar, program tindak balas permintaan boleh menjadikan grid lebih cekap kos dan berdaya tahan.

Penulis dalam [11] menyatakan bahawa terdapat cabaran penting dalam peramalan permintaan disebabkan oleh ketidakpastian dalam profil penjanaan sumber penjanaan tenaga teragih dan boleh diperbaharui. Perhatian yang semakin meningkat diberikan kepada model ramalan beban, terutamanya berurusan dengan sumber tenaga boleh diperbaharui (sinaran suria, angin, dll.) [9].

Apakah yang dilakukan oleh cistanche- Meningkatkan Memori

Paradigma penjanaan teragih memudahkan penggunaan sumber tenaga boleh diperbaharui yang boleh diletakkan berhampiran tempat penggunaan. Apabila menggunakan paradigma ini, grid pintar mempunyai berbilang tumbuhan kecil yang membekalkan tenaga kepada persekitaran mereka. Akibatnya, pergantungan pada grid pengedaran dan penghantaran adalah lebih kecil [9]. Walau bagaimanapun, paradigma ini menjadikan kawalan grid lebih tidak menentu, terutamanya apabila sumber penjanaan yang diedarkan boleh diperbaharui dan seterusnya mempunyai sifat rawak. Walaupun kesukaran ini, bahagian dalam pengeluaran tenaga sumber tenaga boleh diperbaharui berubah-ubah dijangka meningkat pada tahun-tahun akan datang [12].

Satu lagi elemen utama ialah mikrogrid (lihat definisi dalam Jadual 1) [13,14]. Berdasarkan konsep ini, dan mengambil kira kecerdasan yang digunakan dalam bangunan, konsep baharu telah muncul termasuk rumah pintar (lihat definisi dalam Jadual 1) dan bangunan pintar (lihat definisi dalam Jadual 1). Bangunan hari ini adalah gabungan kompleks struktur, sistem dan teknologi. Teknologi ialah sekutu yang hebat dalam mengoptimumkan sumber dan meningkatkan keselamatan. Kemajuan dalam teknologi pembinaan adalah menggabungkan sensor rangkaian dan rakaman data dengan cara yang inovatif [15]. Kemudahan moden boleh melaraskan pemanasan, penyejukan dan pencahayaan untuk memaksimumkan kecekapan tenaga, menyediakan juga laporan terperinci penggunaan tenaga. Dalam persekitaran pintar baharu ini (lihat definisi dalam Jadual 1), penderia dan peranti pintar digunakan untuk mendapatkan maklumat yang mencukupi tentang corak penggunaan tenaga pengguna. Sekali lagi, ini memerlukan model ramalan yang mesti digunakan pada pembolehubah khusus senario untuk dikawal.

Model ramalan akan membolehkan mempertimbangkan pembolehubah (iklim, sosial, ekonomi, berkaitan tabiat, dll.) yang boleh mempengaruhi ketepatan ramalan [9]. Pengarang ini menyatakan bahawa anggaran permintaan tenaga dalam senario terpencil, seperti pengguna kediaman di bangunan pintar, adalah lebih kompleks berbanding anggaran permintaan tenaga untuk senario terkumpul, seperti negara. Mengasingkan permintaan juga memudahkan pelaksanaan tindak balas permintaan, kerana harga yang berbeza boleh ditawarkan berdasarkan kriteria yang ditetapkan oleh syarikat kuasa.

Penyepaduan secara beransur-ansur kecerdasan pada tahap penghantaran, pengedaran dan pengguna akhir sistem elektrik bertujuan untuk mengoptimumkan pengeluaran dan pengedaran tenaga untuk menyesuaikan bekalan pengeluar kepada permintaan pengguna. Selain itu, grid pintar berusaha untuk meningkatkan algoritma pengesanan kesalahan [16]. Ramalan permintaan yang tepat sangat berguna untuk pembekal tenaga dan pihak berkepentingan lain dalam pasaran tenaga [17]. Peramalan beban telah menjadi salah satu masalah utama yang dihadapi oleh industri kuasa sejak pengenalan kuasa elektrik [18].

3. Faktor Penting dalam Ramalan Permintaan

Permintaan elektrik dipengaruhi oleh pembolehubah atau penentu yang berbeza. Pembolehubah ini termasuk ramalan ufuk, tahap pengagregatan beban, keadaan cuaca (kelembapan, suhu, kelajuan angin dan kekeruhan), faktor sosio-ekonomi (pembangunan perindustrian, pertumbuhan penduduk, kos elektrik, dll.), jenis pelanggan (kediaman, komersial, dan perindustrian), dan faktor pelanggan tentang penggunaan elektrik (ciri peralatan elektrik pengguna) (cth, [19–23]).

Untuk memahami sepenuhnya teknik dan objektif ramalan permintaan, adalah perlu untuk memeriksa penentu ini. Dalam bahagian ini, penulis akan memfokuskan kepada (1) tempoh, (2) isu ekonomi, (3) keadaan cuaca, dan (4) faktor berkaitan pelanggan.

Kebaikan cistanche tubulosa-Meningkatkan Ingatan

3.1. Tempoh atau Horizon Ramalan

Tempoh yang biasa dirujuk sebagai ramalan ufuk mungkin merupakan salah satu faktor yang mempunyai kesan yang paling besar.

Menurut pengarang yang berbeza (cth, [17,24]), ramalan permintaan boleh dikelaskan kepada tiga kategori berkenaan ufuk ramalan:

• Jangka pendek (biasanya satu jam hingga satu minggu).

• Jangka sederhana (biasanya satu minggu hingga satu tahun).

•Jangka panjang (biasanya lebih daripada satu tahun).

Faktor-faktor yang mempengaruhi ramalan permintaan jangka pendek biasanya tidak bertahan lama, seperti perubahan mendadak dalam cuaca [22]. Kualiti ramalan permintaan jangka pendek adalah penting untuk pemain pasaran elektrik [20]. Sebaliknya, faktor yang mempengaruhi ramalan permintaan jangka sederhana selalunya mempunyai tempoh masa tertentu, seperti perubahan cuaca bermusim. Akhir sekali, faktor-faktor yang mempengaruhi ramalan permintaan jangka panjang bertahan untuk masa yang lama, biasanya beberapa tempoh ramalan, contohnya, perubahan dalam Keluaran Dalam Negara Kasar (KDNK) [22]. Sesungguhnya, faktor ekonomi mempunyai kesan penting ke atas ramalan permintaan jangka panjang, tetapi juga pada ramalan jangka sederhana dan pendek [25].

Pengarang [26] mengenal pasti kategori berikut tentang ufuk ramalan:

• Jangka sangat pendek (biasanya saat atau minit hingga beberapa jam).

• Jangka pendek (biasanya jam hingga minggu).

• Jangka sederhana dan jangka panjang (biasanya bulan hingga tahun).

Menurut pengarang ini, model ramalan permintaan jangka pendek biasanya digunakan untuk mengawal aliran. Model ramalan permintaan jangka pendek biasanya digunakan untuk memadankan penawaran dan permintaan. Dan, akhirnya, model ramalan permintaan jangka sederhana dan jangka panjang biasanya digunakan untuk merancang utiliti aset.

Penulis dalam [27] menunjukkan bahawa lengkung beban stesen grid adalah berkala, bukan sahaja dalam lengkung beban harian, tetapi juga dalam lengkung beban mingguan, bulanan, bermusim dan tahunan. Keberkalaan ini memungkinkan untuk meramalkan beban dengan agak berkesan.

Permintaan juga mencerminkan gaya hidup harian pengguna [28]. Corak permintaan harian pengguna adalah berdasarkan aktiviti harian mereka, termasuk waktu kerja, masa lapang dan tidur. Di samping itu, terdapat corak variasi permintaan lain dari semasa ke semasa. Sebagai contoh, semasa cuti dan hujung minggu, permintaan dalam industri dan pejabat jauh lebih rendah berbanding pada hari biasa disebabkan penurunan aktiviti yang drastik. Akhirnya, permintaan kuasa juga berbeza-beza mengikut kitaran bergantung pada masa dalam setahun, hari dalam minggu, dan masa hari [22].

3.2. Faktor Sosio-Ekonomi

Faktor sosio-ekonomi, termasuk pembangunan perindustrian, KDNK, dan kos elektrik, juga mempengaruhi evolusi permintaan dengan ketara. Sesungguhnya, seperti yang dinyatakan dalam bahagian sebelumnya, faktor ekonomi banyak mempengaruhi ramalan permintaan jangka panjang dan juga mempunyai kesan penting pada ramalan jangka sederhana dan pendek.

Sebagai contoh, pembangunan perindustrian sudah pasti akan meningkatkan penggunaan tenaga. Perkara yang sama akan berlaku untuk pertumbuhan penduduk. Ini bermakna terdapat korelasi positif antara pembangunan perindustrian, pertumbuhan penduduk, dan penggunaan tenaga.

KDNK ialah penunjuk yang menangkap keluaran ekonomi sesebuah negara. Negara yang mempunyai KDNK yang lebih tinggi menjana kuantiti barangan dan perkhidmatan yang lebih besar dan seterusnya akan mempunyai taraf hidup dan tabiat gaya hidup yang lebih tinggi, yang akan merangsang permintaan tenaga.

Faktor ekonomi lain yang perlu dipertimbangkan ialah kos, kerana ia juga mempengaruhi permintaan. Sebagai contoh, apabila harga elektrik menurun, penggunaan elektrik yang membazir cenderung meningkat [22].

Kos elektrik bergantung kepada faktor yang berbeza dan dibentuk dengan cara yang berbeza. Sebagai contoh, di beberapa negara seperti Sepanyol, terdapat dua pasaran (terkawal dan percuma) untuk elektrik. Di pasaran bebas, kos elektrik ditetapkan dalam kontrak yang ditandatangani oleh pengguna. Sebaliknya, dalam pasaran terkawal, harga elektrik bergantung kepada bekalan dan permintaan. Harga dikemas kini setiap jam dan turun naik. Dari segi permintaan, semakin banyak elektrik yang diminta, semakin mahal harganya. Apabila elektrik kurang diminta, lebih murah ia. Biasanya, ia adalah murah untuk menggunakan elektrik pada waktu subuh dan mahal untuk melakukannya apabila orang lain menggunakannya (cth, pada waktu makan malam).

Tetapi bukan sahaja permintaan yang mempengaruhi harga tetapi juga bekalan tenaga. Sebabnya ialah variasi harga elektrik di pasaran terkawal adalah disebabkan oleh perbezaan antara permintaan dan penawaran. Akibatnya, pembekalan mesti mempertimbangkan cara penjanaan elektrik yang berbeza, yang mempunyai kos yang berbeza. Yang paling murah ialah tenaga elektrik yang dijana oleh tenaga boleh diperbaharui seperti solar, angin, dan hidroelektrik. Harga tenaga nuklear juga rendah; namun, di banyak negara (cth, Sepanyol), tenaga nuklear tidak meliputi semua keperluan tenaga. Terma (arang batu), penjanaan bersama atau kitaran gabungan—yang bahan api utamanya ialah gas—cenderung lebih mahal. Ia juga penting untuk diingat bahawa sumber utama tenaga boleh diperbaharui, seperti hidroelektrik atau angin, bergantung kepada faktor luaran yang tidak terkawal. Sebagai contoh, hujan yang mencukupi adalah penting untuk menghasilkan kuasa hidroelektrik. Walau bagaimanapun, tiada cara untuk mengawal cuaca untuk menjadikannya sesuai untuk menghasilkan tenaga elektrik. Memandangkan perkara di atas, harga ditentukan oleh harga campuran sumber penjanaan kuasa yang berbeza, daripada yang paling murah kepada yang paling mahal, sehingga keseluruhan permintaan tenaga dipenuhi.

Suplemen cistanche berhampiran saya-Tingkatkan Ingatan

3.3. Keadaan cuaca

Terdapat pembolehubah cuaca berbeza yang relevan untuk ramalan permintaan seperti suhu, kelembapan dan kelajuan angin.

Pengaruh keadaan cuaca terhadap ramalan permintaan telah menarik minat ramai penyelidik. Sebagai contoh, pengarang dalam [29] mencadangkan model berbeza untuk meramalkan beban agregat hari berikutnya menggunakan Rangkaian Neural Buatan (ANN), dengan mengambil kira pembolehubah cuaca yang paling relevan—lebih khusus, min suhu, kelembapan relatif dan sinaran suria agregat—kepada menganalisis pengaruh cuaca.

Sesetengah penulis telah mengkaji hubungan antara suhu dan penggunaan elektrik dan mendakwa bahawa korelasi antara suhu dan keluk beban elektrik adalah positif, terutamanya pada musim panas (cth, [25]).

Pada masa ini, gelombang haba telah menjadi lebih biasa di seluruh dunia, serta kemungkinan suhu yang melampau. Di samping itu, gelombang haba bukan sahaja lebih kerap tetapi juga lebih sengit dan tahan lebih lama. Lebih-lebih lagi, malam semakin panas, yang merupakan masalah tambahan. Kesan utama gelombang haba ialah peningkatan penggunaan tenaga apabila pengguna menghidupkan penyaman udara dengan lebih banyak dan untuk tempoh yang lebih lama. Selain itu, sistem penyejukan mesti bekerja lebih keras kerana mereka mesti menghadapi suhu yang lebih tinggi.

Semasa musim panas, gelombang haba memaksa grid berada pada kapasiti maksimum. Salah satu cara gelombang haba mempengaruhi penggunaan adalah melalui peningkatan ketepuan grid elektrik. Walaupun gelombang sejuk dilawan dengan elektrik, gas, kayu, dan lain-lain, gelombang haba hanya boleh melawan dengan elektrik. Dalam erti kata lain, peranti yang digunakan pengguna untuk penyejukan terutamanya dikuasakan oleh elektrik. Atas sebab ini, gelombang haba menghasilkan lebih banyak tekanan pada talian kuasa, serta penggunaan yang lebih tinggi.

Perlu diingatkan bahawa, di negara yang lebih sejuk, peningkatan penggunaan semasa gelombang haba biasanya lebih rendah. Ini kerana pemasangan sistem penghawa dingin tidaklah sebiasa di negara yang lebih panas. Bagaimanapun, negara-negara yang lebih sejuk ini menghadapi gelombang haba yang tidak berlaku pada tahun-tahun sebelumnya (sebelum perubahan iklim) dan ini menyebabkan mereka semua jenis masalah, kerana mereka kurang bersedia. Keadaan ini memaksa negara-negara ini melakukan perubahan seperti meningkatkan penggunaan sistem penyejukan.

Sebaliknya, pengalaman kekerasan suhu meningkat dengan kelembapan, terutamanya semasa musim hujan dan musim panas. Atas sebab ini, penggunaan elektrik meningkat semasa musim panas yang lembap. Ia juga penting untuk diperhatikan bahawa di kawasan pantai, seperti kawasan Mediterranean di Sepanyol, penggunaan elektrik cenderung lebih tinggi. Ini kedua-duanya kerana rumah cenderung mempunyai lebih banyak peralatan elektrik berbanding di kawasan lain, dan kerana tahap kelembapan yang tinggi disebabkan jaraknya yang berdekatan dengan laut.

Kelajuan angin juga mempengaruhi penggunaan elektrik. Apabila berangin, badan manusia merasakan bahawa suhu jauh lebih rendah dan lebih banyak pemanasan diperlukan, yang meningkatkan penggunaan elektrik. Walau bagaimanapun, ia juga harus diperhatikan bahawa tenaga angin adalah salah satu tenaga boleh diperbaharui utama. Dalam erti kata lain, apabila ada angin, penggunaan elektrik meningkat, tetapi pada masa yang sama harganya menurun. Ini kerana, seperti yang dijelaskan dalam bahagian sebelumnya, harga elektrik biasanya ditentukan sebagai campuran sumber tenaga yang berbeza, daripada tenaga yang paling murah (boleh diperbaharui, termasuk angin, dan nuklear) kepada sumber penjanaan yang paling mahal (termal, gabungan). kitaran).

Suhu, kelembapan dan angin mempengaruhi penggunaan elektrik. Kelembapan dan suhu juga merupakan pembolehubah cuaca utama yang digunakan dalam sistem ramalan permintaan elektrik untuk meminimumkan kos operasi. Walau bagaimanapun, faktor lain, seperti awan, juga memainkan peranan. Sebagai contoh, pada waktu siang, apabila awan mengganggu cahaya matahari biasanya terdapat penurunan suhu dan, akibatnya, penggunaan elektrik yang lebih tinggi.

3.4. Faktor Pelanggan

Jenis pelanggan (kediaman, komersial, dan perindustrian), serta faktor pelanggan lain yang berkaitan dengan penggunaan elektrik (ciri peralatan elektrik pengguna), juga boleh menjejaskan permintaan. Ini penting kerana kebanyakan syarikat tenaga mempunyai jenis pelanggan yang berbeza (pengguna kediaman, komersial dan industri), yang mempunyai peralatan yang berbeza dari segi jenis dan saiz. Jenis pelanggan yang berbeza ini mempunyai keluk beban yang berbeza, walaupun terdapat beberapa persamaan antara pelanggan komersial dan industri.

Jadual 2 meringkaskan penentu utama yang mempengaruhi permintaan elektrik yang diterangkan dalam bahagian ini.

Jadual 2. Pembolehubah utama yang mempengaruhi permintaan elektrik.

4. Klasifikasi Teknik Ramalan Permintaan

Bahagian ini mengklasifikasikan model ramalan permintaan mengikut tiga kriteria berbeza: (1) tempoh, (2) objektif ramalan, dan (3) jenis model yang digunakan.

Klasifikasi pertama memberi tumpuan kepada sudut pandangan tempoh yang akan diramalkan, iaitu, ufuk ramalan. Untuk memilih kriteria ini, penentu permintaan elektrik yang dibentangkan dalam bahagian sebelumnya telah dipertimbangkan. Klasifikasi kedua memfokuskan pada sudut pandangan objektif ramalan, membezakan antara teknik ramalan yang menghasilkan satu nilai dan yang menghasilkan berbilang nilai. Akhir sekali, pengelasan ketiga memfokuskan kepada sudut pandang model yang digunakan.

4.1. Klasifikasi Teknik Ramalan Permintaan mengikut Horizon Ramalan

Seperti yang dijelaskan dalam bahagian sebelumnya, ufuk ramalan utama yang boleh dikenal pasti adalah seperti berikut:

• Jangka sangat pendek: biasanya dari saat atau minit hingga beberapa jam.

• Jangka Pendek: biasanya dari jam ke minggu.

• Jangka Sederhana: biasanya dari seminggu hingga setahun.

• Jangka Panjang: biasanya lebih daripada setahun.

Perbezaan utama ialah skop pembolehubah yang digunakan dalam setiap kes. Model ramalan jangka pendek menggunakan input terkini (biasanya minit atau jam), model ramalan jangka pendek menggunakan input biasanya dalam julat hari, dan model ramalan jangka sederhana dan panjang menggunakan input biasanya dalam julat minggu atau bulan.

Syarikat kuasa amat berminat untuk menghasilkan ramalan yang tepat untuk profil beban (cth, [9,30,31]). Ini kerana ia secara langsung boleh menjejaskan penjadualan optimum unit penjanaan kuasa. Walau bagaimanapun, disebabkan oleh tingkah laku pengguna yang tidak linear dan stokastik, profil beban adalah kompleks, dan walaupun penyelidikan telah dilakukan dalam bidang ini, model ramalan yang tepat masih diperlukan [32].

4.2. Klasifikasi Teknik Ramalan Permintaan Mengikut Objektif Ramalan

Model ramalan juga boleh dikelaskan mengikut bilangan nilai yang akan diramalkan. Dalam kes ini, dua kategori utama boleh dipertimbangkan.

Kategori pertama merujuk kepada teknik ramalan yang menghasilkan hanya satu nilai (cth, jumlah beban hari berikutnya, beban puncak hari berikutnya, beban jam berikutnya, dsb.). Contohnya terdapat dalam [33,34].

Kategori kedua merujuk kepada teknik ramalan yang menghasilkan berbilang nilai, cth, beban puncak jam berikutnya ditambah parameter lain (cth, beban agregat) atau profil beban. Contohnya terdapat dalam [35–37].

Secara umumnya, ramalan satu nilai berguna untuk mengoptimumkan prestasi rakan beban. Sebaliknya, ramalan berbilang nilai digunakan terutamanya untuk penjadualan penjanaan tenaga [9].

4.3. Klasifikasi Teknik Ramalan Permintaan mengikut Model Yang Digunakan

Model yang akan digunakan biasanya ditentukan oleh pengamal. Dari segi model, kumpulan utama adalah pendekatan linear dan bukan linear.

Model linear termasuk Penguraian Spektrum (SD), Separa-Kurang Segi (PLS), Auto-Regressive Integrated Moving Average (ARIMA), Auto-Regressive Conditional Heteroskedasticity (ARCH), Auto-Regressive (AR), Auto-Regressive and Moving Average (ARMA). ), Model Purata Pergerakan (MAM), Regresi Linear (LR), dan Ruang Negeri (SS).

Teknik linear secara beransur-ansur kehilangan kepentingan dan minat yang memihak kepada teknik bukan linear berdasarkan ANN. Model Pembelajaran Dalam menggunakan ANN, diilhamkan oleh sistem saraf manusia. Model ini boleh mempelajari corak daripada data yang dijana dan meramalkan permintaan puncak dalam konteks senario pintar yang kompleks hari ini, di mana sejumlah besar data dijana secara berterusan daripada sumber yang berbeza [7].

Jadual 3 meringkaskan kriteria yang biasa digunakan untuk mengklasifikasikan model ramalan permintaan.

Jadual 3. Kriteria utama yang biasa digunakan untuk mengklasifikasikan model ramalan permintaan.

5. Asas dan Konsep Pembelajaran Mesin dan Sistem Pembelajaran Mendalam

Kecerdasan Buatan adalah konsep kompleks yang, secara ringkasnya, merujuk kepada kecerdasan mesin [38]. Tidak seperti manusia, Kecerdasan Buatan boleh mengenal pasti corak dalam sejumlah besar data menggunakan jumlah masa dan sumber yang agak terhad. Tambahan pula, kapasiti pengiraan mesin tidak berkurangan dengan masa dan/atau keletihan [39].

Sistem Kecerdasan Buatan menggunakan pelbagai jenis kaedah pembelajaran, seperti Pembelajaran Mesin dan Pembelajaran Dalam.

5.1. Pembelajaran Mesin

Algoritma Pembelajaran Mesin telah dilatih terlebih dahulu untuk menghasilkan hasil apabila berhadapan dengan set data atau situasi yang tidak pernah dilihat sebelum ini [40]. Walau bagaimanapun, komputer memerlukan lebih banyak contoh untuk dipelajari daripada manusia [41]. Pembelajaran Mesin membolehkan pengenalan membuat keputusan pintar dalam banyak bidang dan aplikasi di mana membangunkan algoritma akan menjadi rumit dan keputusan yang cemerlang diperlukan [42].

Terdapat pelbagai kategori algoritma Pembelajaran Mesin termasuk pembelajaran diselia, separuh diselia, tidak diselia dan pengukuhan. Kategori algoritma yang berbeza ini diterangkan secara ringkas di bawah.

5.1.1. Pembelajaran yang diselia

Selepas dilatih dengan set contoh data berlabel, algoritma ini boleh meramalkan nilai label apabila input mempunyai data tidak berlabel. Masalah yang biasanya dikaitkan dengan jenis pembelajaran ini ialah (1) regresi dan (2) klasifikasi [43].

Dalam regresi, algoritma memberi tumpuan kepada memahami hubungan antara pembolehubah bersandar dan bebas. Dalam pengelasan, algoritma digunakan untuk meramalkan label kelas data. Masalah klasifikasi biasa termasuk (1) klasifikasi binari, antara dua label kelas; (2) klasifikasi berbilang kelas, antara lebih daripada dua label kelas; dan (3) pengelasan berbilang label di mana satu keping data dikaitkan dengan beberapa kelas atau label, berbanding masalah pengelasan tradisional dengan label kelas yang saling eksklusif [44].

Kaedah yang digunakan untuk pembelajaran terselia termasuk Linear Discriminant Analysis (LDA), Naive Bayes (NB), K-nearest Neighbors (KNN), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), Adaptive Boosting (AdaBoost). ), Peningkatan Kecerunan Melampau (XGBoost), Keturunan Kecerunan Stokastik (SGD), Klasifikasi berasaskan peraturan (untuk pengelasan); dan LR, Regresi Bukan Linear (NLR), dan Regresi Kuasa Dua Terkecil Biasa (OLS) (untuk regresi) [44,45]. Pelajar seliaan yang paling banyak disebut dan dilaksanakan dalam literatur ialah algoritma DT, NB, dan SVM [46].

Beberapa aplikasi praktikal yang menarik ialah pengelasan teks, meramalkan sentimen teks (seperti Tweet atau media sosial lain), menilai kemampanan alam sekitar produk pakaian [47], mencirikan, meramal dan merawat gangguan mental [48], dan menganggarkan. permintaan tenaga puncak.

5.1.2. Pembelajaran Tanpa Selia

Jenis pembelajaran ini menggunakan data tidak berlabel. Dalam kes ini, sistem meneroka data tidak berlabel untuk mencari struktur tersembunyi, dan bukannya meramalkan output yang betul. Jenis pembelajaran ini tidak boleh digunakan secara langsung untuk masalah regresi atau klasifikasi, kerana kemungkinan nilai output tidak diketahui [49]. Sebaliknya, ia sering digunakan untuk (1) pengelompokan, (2) perkaitan, dan (3) pengurangan dimensi [43].

Pengelompokan membolehkan data tidak berlabel dikumpulkan berdasarkan persamaan atau perbezaannya [49,50]. Persatuan menggunakan peraturan yang berbeza untuk mengenal pasti cerapan baharu dan berkaitan antara objek sesuatu set. Akhir sekali, pengurangan dimensi membenarkan pengurangan bilangan ciri (atau dimensi) set data untuk menghapuskan ciri yang tidak relevan atau kurang penting dan dengan itu mengurangkan kerumitan model [44]. Pengurangan bilangan ciri ini boleh dilakukan dengan mengekalkan subset ciri asal (pemilihan ciri) atau dengan mencipta ciri baharu sepenuhnya (pengekstrakan ciri).

Algoritma pengelompokan yang paling popular mungkin adalah pengelompokan K-means, di mana nilai k mewakili saiz kelompok [44,45,51]. Algoritma persatuan termasuk algoritma Apriori, Equivalence Class Transformation (ECLAT), dan Frequent Pattern (FP) Growth algorithm. Akhir sekali, pengurangan dimensi biasanya menggunakan ujian Khi kuasa dua, ujian Analisis Varians (ANOVA), pekali korelasi Pearson, Penghapusan Ciri Rekursif (RFE) untuk pemilihan ciri dan Analisis Komponen Utama (PCA) untuk pengekstrakan ciri.

Menurut [46], pelajar tanpa pengawasan yang paling biasa digunakan ialah K-means, pengelompokan hierarki, dan PCA.

Pelajar tanpa pengawasan ini boleh mempunyai banyak aplikasi praktikal, seperti pengecaman muka, klasifikasi pelanggan, klasifikasi pesakit, mengesan serangan siber atau pencerobohan [52], dan analisis data dalam bidang astronomi [53].

5.1.3. Pembelajaran Separa Penyeliaan

Secara konsep terletak di antara pembelajaran diselia dan tidak diselia, jenis pembelajaran ini membolehkan mengambil kesempatan daripada set data besar tidak berlabel yang tersedia dalam beberapa kes digabungkan dengan (biasanya lebih kecil) jumlah data berlabel [54,55]. Ini membuka kemungkinan yang menarik kerana data berlabel selalunya terhad, manakala data tidak berlabel lebih kerap, dan pelajar separa penyeliaan boleh memperoleh ramalan yang lebih baik daripada yang dihasilkan hanya menggunakan data berlabel [44].

Permohonan calon ialah permohonan yang hanya terdapat sekumpulan kecil contoh berlabel dan banyak lagi yang tidak dilabel, atau apabila usaha pelabelan terlalu tinggi. Contohnya ialah pengimejan perubatan, di mana sejumlah kecil data latihan boleh memberikan peningkatan yang besar dalam ketepatan [43,56].

Jadual 4 membandingkan pembelajaran yang diselia dan tidak diselia, memfokuskan pada jenis data input yang digunakan dalam setiap kes (data berlabel berbanding data tidak berlabel), dan tugas utama yang kedua-dua jenis pembelajaran digunakan (pengkelasan, regresi berbanding pengelompokan, perkaitan dan pengurangan dimensi. ).

Jadual 4. Pembelajaran diselia vs tidak diselia.

5.1.4. Pembelajaran Pengukuhan

Teknik pembelajaran ini bergantung kepada hubungan antara ejen yang melakukan aktiviti dan persekitarannya, yang memberikan maklum balas positif atau negatif [57,58]. Ejen mesti memilih tindakan yang memaksimumkan ganjaran dalam persekitaran itu. Kaedah popular termasuk Monte Carlo, Q-learning, dan Deep Q-learning [44].

Aplikasi biasa secara tradisional termasuk permainan strategi seperti catur, pemanduan autonomi, logistik dan pembuatan rantaian bekalan, algoritma genetik [57], pengurusan mobiliti 5G [59], dan penyampaian penjagaan peribadi [60].

5.2. Pembelajaran Mendalam

Pembelajaran Mesin boleh dikelaskan kepada cetek dan mendalam, dengan mengambil kira kerumitan dan struktur algoritma [41]. Pembelajaran Dalam menggunakan pelbagai lapisan neuron yang terdiri daripada struktur kompleks untuk memodelkan abstraksi data peringkat tinggi [61]. Jenis keluaran dan ciri-ciri data menentukan algoritma yang akan digunakan untuk kes penggunaan tertentu [62].

Pembelajaran Dalam menggunakan ANN yang diilhamkan oleh sistem saraf manusia [63]. Rangkaian jenis ini biasanya mempunyai dua lapisan nod input dan output masing-masing, disambungkan antara satu sama lain oleh satu atau lebih lapisan nod tersembunyi. Seni bina ANN dalam yang mungkin termasuk Multilayer Perceptron (MLP), Rangkaian Neural Berulang Memori Jangka Pendek Panjang (LSTMRNN), Rangkaian Adversarial Generatif (GAN) dan Rangkaian Neural Konvolusi (CNN atau ConvNet).

Menurut kajian literatur kami, model yang paling banyak digunakan dalam domain tenaga ialah Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), Long Short-Term Memory (LSTM), Deep Q-Networks (DQNs) dan Conditional Restricted Boltzmann. Mesin (CRBM) dan variasi mana-mana daripadanya, gabungan dua atau lebih daripadanya, atau gabungan mana-mana daripadanya dengan teknik lain. Model-model ini diterangkan secara ringkas di bawah.

5.2.1. Rangkaian Neural Konvolusi

Rangkaian ini adalah rangkaian yang diilhamkan secara biologi, seperti rangkaian saraf biasa. Walau bagaimanapun, dalam rangkaian jenis ini, input diandaikan mempunyai struktur tertentu seperti imej [64]. Sebagai salah satu model yang paling banyak digunakan dan berkesan untuk Pembelajaran Dalam, rangkaian ini biasanya termasuk dua jenis lapisan (iaitu, lapisan pengumpulan dan lilitan). Seni bina CNN tipikal biasanya terdiri daripada lapisan input, lapisan convolutional, lapisan pengumpulan Max, dan lapisan terakhir yang disambungkan sepenuhnya, seperti yang ditunjukkan dalam Rajah 1 [65].

Rajah 1. Seni Bina Rangkaian Neural Convolutional Standard [65]

Reka bentuk seni bina yang berbeza meneroka kesan transformasi pelbagai peringkat ke atas keupayaan pembelajaran rangkaian tersebut. Salah satu reka bentuk seni bina yang mungkin adalah Pyramid. Senibina Piramid Rangkaian Neural Konvolusi biasanya dikenali sebagai Pyramid-CNN [66].

5.2.2. Rangkaian Neural Berulang

Dalam rangkaian jenis ini, sambungan antara nod membentuk graf terarah atau tidak terarah sepanjang jujukan masa. Rajah 2 menunjukkan struktur RNN tipikal [65].

Rajah 2. Rangka Kerja Rangkaian Neural Berulang: Lapisan input (Xt); lapisan keluaran (Ot); lapisan tersembunyi (St); matriks parameter dan vektor (U, V, W); fungsi pengaktifan lapisan keluaran (σy); dan fungsi pengaktifan lapisan tersembunyi (σh ) [65].

Rangkaian ini boleh menggunakan mekanisme gating yang dipanggil Gated Recurrent Units (GRUs) dan diperkenalkan pada tahun 2014 oleh penulis [67]. GRU adalah seperti rangkaian LSTM tetapi dengan get lupa dan parameter yang lebih sedikit kerana ia tidak mempunyai get keluaran.

Satu lagi variasi jenis rangkaian ini, yang dicadangkan oleh Elman [68], ialah Elman RNN yang merangkumi sambungan suapan hadapan yang boleh diubah suai dan sambungan tetap berulang. Ia menggunakan satu set nod konteks untuk menyimpan keadaan dalaman, yang memberikan ciri dinamik unik tertentu berbanding yang statik [69].

5.2.3. Ingatan Jangka Pendek Panjang

Rangkaian ini adalah jenis RNN yang istimewa. Tidak seperti rangkaian neural suapan hadapan standard, rangkaian ini mempunyai sambungan maklum balas, malah boleh memproses keseluruhan jujukan data (seperti pertuturan atau video), sebagai tambahan kepada titik data individu (seperti imej). RNN jenis ini mengandungi lapisan input, lapisan tersembunyi berulang, dan lapisan output, dengan struktur blok memori seperti yang ditunjukkan dalam Rajah 3 [70].

RAJAH 3. Blok ingatan LSTM [70].

Blok memori LSTM boleh diterangkan mengikut persamaan berikut [70]:

dengan tx ialah input model pada masa t; Wi, Wf, Wc, W{{0}}, Ui, Uf, Uc, U0, V0 ialah matriks berat; bi, bf , bc, b0 ialah vektor bias; ia, kaki, 0t masing-masing adalah pengaktifan tiga pintu pada masa t; ia adalah keadaan sel memori pada masa t; ht ialah keluaran blok ingatan pada masa t; mewakili hasil darab skalar dua vektor; σ(x) ialah fungsi pengaktifan get; g(x) ialah fungsi pengaktifan input sel; h(x) ialah fungsi pengaktifan keluaran sel.

Sambungan yang mungkin untuk model ini ialah LSTM Dwiarah (B-LSTM). Rangkaian LSTM jenis ini bertujuan untuk menganalisis jujukan dari depan ke belakang dan belakang ke hadapan, iaitu, maklumat jujukan bergabung dalam kedua-dua arah ke belakang dan ke hadapan, tidak seperti dalam LSTM biasa.

5.2.4. Rangkaian Deep Q dan Rangkaian Pertarungan Deep-Q

Deep Q Networks (DQN) dan Dueling Deep-Q Networks (DDQN) ialah sejenis ANN menggunakan algoritma pembelajaran Deep Q, yang popular dalam pembelajaran pengukuhan. Dalam rangkaian pertarungan, terdapat dua aliran untuk menganggarkan nilai keadaan serta kelebihan setiap tindakan secara berasingan. Objektif utama Rangkaian Deep-Q adalah untuk memilih tindakan terbaik dalam keadaan tertentu. Memandangkan π ialah polisi yang diikuti oleh ejen dalam persekitaran tertentu, fungsi Qπ boleh ditakrifkan seperti berikut [71]:

di mana s ialah keadaan; a ialah tindakan; ri ialah ganjaran yang berpotensi; ∈ [0, 1] ialah faktor diskaun untuk menjadikan ganjaran segera lebih penting daripada ganjaran akan datang. Oleh itu, objektif pembelajaran-Q adalah untuk memaksimumkan fungsi nilai yang dioptimumkan Q* (s, a)=maks πQ π(s, a). Rajah 4 menunjukkan skema seni bina DQN biasa [71]. 5.2.5. Mesin Boltzmann Terhad Bersyarat Mesin Boltzmann Terhad (RBM) ialah RNN stokastik dengan dua lapisan, satu dengan unit yang boleh dilihat dan satu dengan unit tersembunyi binari. Rangkaian jenis ini boleh mempelajari taburan kebarangkalian ke atas set inputnya. RBM ialah varian seni bina Rangkaian Q Dalam Mesin Boltzmann [71].

Rajah 4. Rajah 4 menunjukkan skema seni bina DQN biasa [71].