全国規模の短期負荷予測のための1時間限定のハイブリッドDNN-SVRフレームワーク

科学分野:

• 電気工学 電気工学とは
• コンピュータサイエンス コンピュータサイエンス
• データサイエンス データサイエンス

背景:

• 短期負荷予測 (STLF) は,電力システムの安定性と効率性にとって極めて重要です.
• 正確な予測には,複雑で非線形なパターンを処理できる洗練されたモデルが必要です.
• 天気予報を含む多様なデータソースを統合することは,予報の精度を向上させるために不可欠です.

研究 の 目的:

• ハイブリッド深層ニューラルネットワーク (DNN) を開発し,評価し,全国規模の,先日のSTLFのためのベクトル回帰 (SVR) アーキテクチャをサポートします.
• 予測精度を高めるために24のハイブリッドモデルからなる1時間固有のフレームワークを提案する.
• リアルな運用セットアップのために,グローバルな数値天気予報データとローカル測定を統合する.

主な方法:

• ハイブリッドDNN-SVRアーキテクチャが開発され,DNNは非線形表現を学習し,SVRは最終回帰を実行しました.
• 24のハイブリッドモデルを備えた1時間単位のフレームワークが実装されました.
• 特徴の選択とTIGGEの天気データとローカルの負荷と気象データの統合のためのグラデント・ブーストが採用されました.

主要な成果:

• 提案されたハイブリッドモデルは,テスト年2022年のスタンドアロンDNN,LSTM,およびトランスフォーマーベースラインと比較して,予測エラーを一貫して削減しました.
• このフレームワークは,STLF.のための再現可能なパイプラインを示した.
• このモデルは,世界の天気予報を,STLFの1日前の実用的なソリューションに成功裏に統合しました.

結論:

• ハイブリッドDNN-SVRフレームワークは,現実世界の電力システムにおけるSTLF精度に大きな改善をもたらします.
• 時単位別のアプローチとグローバル気象データの統合は,予測の強度と信頼性を高めます.
• この研究は,国家規模の先日性STLFに対する体系的な比較と実用的な解決策を提供します.