روش پیش بینی تقاضای کوتاه مدت در بازارهای برق بر اساس KSVM-TCN-GBRT

با مصرف انرژی جدید و تغییرپذیری فعالیت کاربر ، پیش بینی دقیق و سریع تقاضا نقش مهمی در بازارهای قدرت مدرن دارد. در این مقاله ارتباط بین دما ، سرعت باد و تقاضای برق در زمان واقعی در نظر گرفته شده است و روشی جدید برای پیش بینی تقاضای کوتاه مدت در بازار برق ارائه می دهد. دستگاه بردار پشتیبانی هسته ابتدا برای طبقه بندی تقاضای زمان واقعی در ترکیب با دما و سرعت باد استفاده می شود و سپس از شبکه حلقوی زمانی (TCN) برای استخراج روابط زمانی و اطلاعات ضمنی تقاضای روز استفاده می شود. سرانجام ، درخت رگرسیون تقویت شیب برای پیش بینی تقاضای روزانه و هفتگی در زمان واقعی بر اساس ویژگی های الکتریکی ، هواشناسی و داده استفاده می شود. اعتبار این روش با استفاده از مجموعه داده از ISO-NE (بازار برق نیوانگلند) تأیید شد. آزمایش های مقایسه ای با روش های موجود نشان داد که این روش می تواند نتایج پیش بینی دقیق تر تقاضا را ارائه دهد.

1. معرفی

نوسانات ذاتی و عدم اطمینان از منابع انرژی تجدید پذیر ، مانند انرژی باد و فتوولتائیک ، ممکن است منجر به انحراف بزرگ بین تولید پیشنهاد و بازده واقعی در هنگام شرکت در منابع انرژی تجدید پذیر در بازار شود. همچنین ، مشتریان با در نظر گرفتن تولید یا مصرف خود ، بار برق خود را هنگام دریافت تغییر قیمت یا سیگنال تشویقی از طرف عرضه تغییر می دهند. از این رو ، اطلاعات به موقع و دقیق در مورد تغییرات تقاضا الزامات بالاتری را بر صحت پیش بینی تقاضا تحمیل کرده است [1].

در پیش بینی فعلی برق ، لازم است که اطلاعات اقتصادی ، هواشناسی و سایر اطلاعات چند بعدی را به طور کامل ادغام کنیم. استفاده از روشهای پیشرفته پردازش داده محور ؛و عمیقاً الگوهای تغییر و قوانین انرژی تجدید پذیر و تقاضا را تجزیه و تحلیل کنید [2]. این امر نیاز به مطالعه ویژگی های پاسخ تقاضا را تحت متغیرهای چند بعدی در محیط بازار برق برای بهبود دقت پیش بینی ایجاد می کند [3]. برای عملکرد سیستم قدرت ، پیش بینی تقاضای کوتاه مدت می تواند تقاضای 1 ساعت تا 168 ساعت قبل را پیش بینی کند [4]. برای به دست آوردن نتایج دقیق پیش بینی ، از مدل های مختلف پیش بینی مانند رگرسیون ، روشهای آماری و فضای وضعیت استفاده می شود. مبتنی بر سیستم متخصص ، فرآیند تکاملی ، سیستم های فازی و الگوریتم های هوش مصنوعی نیز معرفی شده اند. وانگ و همکاران.[5] روشی را ارائه داد که تقاضا را به سری Trend و سری نوسان تجزیه می کند و سپس مدل های پیش بینی مربوطه را به طور جداگانه می سازد. برای بهبود عملکرد خوشه بندی داخلی ، Dongyeon و همکاران.[6] مدل اتورگر وکتور وکتور لجستیک را که ترکیبی از خوشه بندی و پیش بینی در یک مدل از طریق یک الگوریتم حداکثر انتظار است ، پیشنهاد کرد. دونگ و همکاران.[7] متغیر شاخص را برای گرفتن اطلاعات غیر طبیعی در روزهای خاص ، مانند تعطیلات ملی ، روزهای نزدیکی و روزهای پل پیشنهاد داد. در یین و همکاران.[8] ، شبکه حلقوی چند قطبی برای کارهای پیش بینی تقاضای کوتاه مدت اعمال شد ، که باعث کاهش خطای نویز داده های تقاضا و افزایش ویژگی های سری زمانی داده های تقاضا شد. در [9] ، تقاضا با استفاده از یک الگوریتم تجزیه معین تجربی یکپارچه به اجزای فرکانس مختلف تجزیه شد. اجزای با فرکانس پایین سپس با استفاده از رگرسیون خطی چند متغیره پیش بینی شدند ، اجزای با فرکانس بالا با استفاده از یک شبکه عصبی حافظه کوتاه مدت (LSTM) پیش بینی شدند و در نهایت اجزای برای به دست آوردن پیش بینی تقاضا ترکیب شدند. هان و همکاران.[10] یک مدل پیش بینی تقاضای مسکونی کوتاه مدت را بر اساس ترکیبی از یادگیری عمیق و خوشه بندی K ارائه داد ، که قادر به استخراج موثر شباهت تقاضای مسکونی و انجام پیش بینی تقاضای مسکونی به طور دقیق در سطح فردی است. این ابتدا برای استخراج شباهت بین تقاضای مسکونی ، از خوشه بندی K به طور کامل استفاده می کند و سپس از یادگیری عمیق برای استخراج الگوهای پیچیده تقاضای مسکونی استفاده می کند. LV و همکاران.

[11] LSTM بهینه شده LightGBM را برای تحقق قیمت سهام کوتاه مدت طراحی کرد. برای بهبود دقت پیش بینی تقاضا در مورد داده های نمونه واحد ، می و همکاران.[12] مدلی را بر اساس ویژگی های زمانی چند مقیاس برای LSTM ارائه داد. اول ، تجزیه موجک ، داده های تاریخی را به اجزای پایدار ، تقاضای روند و سری های دوره ای مانند بزرگی و مدت زمان پاسخ اوج-دره و مدت زمان برجسته می کند و ویژگی های مختلف در مقیاس زمانی را برجسته می کند. دوم ، LSTM برای دستیابی به استخراج بیشتر خصوصیات سری زمانی و اتصالات داده ها استفاده می شود. سرانجام ، مدل مستقیماً مقادیر را برای چند لحظه پیش بینی می کند. M. Hadi Amini و همکاران.[13] یک روش متوسط متحرک یکپارچه خود را برای پیش بینی بارهای الکتریکی معمولی و تقاضای شارژ پارکینگ وسایل نقلیه برقی پیشنهاد کرد. Kianoosh و همکاران.[14] برای مدل سازی چرخه های غیر فصل و فصلی داده های بار با استفاده از رگرسیون (AR) و قطعات متوسط (MA) که برای پیش بینی تقاضای برق در مقیاس های مختلف استفاده شده است ، پیشنهاد شده است. علاوه بر این ، ژانگ و همکاران.[15] از تجزیه و تحلیل طیف مفرد (SSA) برای پردازش داده ها استفاده کرد و سپس از یک دستگاه بردار پشتیبانی (SVM) بهینه سازی شده توسط الگوریتم جستجوی فاخته (CS) برای مدل سازی دنباله حاصل با استراتژی های مختلف پیش بینی استفاده کرد. صلاح و همکاران.[16] برای انتخاب ویژگی های بهینه و یک الگوریتم ژنتیکی (GA) از روشهای انتخابی بسته بندی و تعبیه شده استفاده کرد تا یک تاخیر بهینه و تعداد لایه ها را برای بهینه سازی عملکرد پیش بینی کننده مدل LSTM پیدا کند ، که برای ساخت کوتاه استفاده می شودمدل پیش بینی بار تجمعی به متوسط. لو و همکاران.[17] یک روش پیش بینی بار کوتاه مدت مدل ترکیبی را بر اساس شبکه عصبی حلقوی (CNN) و شبکه LSTM ارائه داد. CNN برای اولین بار برای استخراج بردار ویژگی مورد استفاده قرار گرفت و بردار ویژگی در یک توالی سری زمانی ساخته شد و به عنوان داده های ورودی برای شبکه LSTM استفاده شد. در [18] ، یک شبکه حافظه بلند و کوتاه مدت حلقوی (CONV-LSTM) برای داده های بار الکتریکی ارائه شد و به دقت بهتری نسبت به الگوریتم پیش بینی سنتی بر اساس رگرسیون خطی دست یافت. چن و همکاران.[19] پیش بینی های مربوطه را بر اساس آموزش LSTM و LightGBM به دست آورد. از روش ترکیبی بهینه وزن برای تعیین ضرایب وزنی و استخراج مقادیر پیش بینی مدل ترکیبی برای بهبود دقت پیش بینی بار استفاده شد. در [20] ،

پیش بینی ها با محاسبه همبستگی بین متغیرهای بالقوه و خروجی ها و پیش بینی مصرف آینده عملکرد بالا برون یابی شدند. در [21] ، یک روش ترکیبی ترکیبی از تجزیه حالت تجربی (EMD) ، بهینه سازی ذرات ذرات (PSO) و یک سیستم استنباط فازی مبتنی بر شبکه تطبیقی (ANFISS) برای پیش بینی بار کوتاه مدت میکروگریدها ارائه شد. در [22] ، از آنتروپی نمونه برای شناسایی غیرخطی و عدم اطمینان از سری زمانی اصلی استفاده شد و حالت بهینه سری اصلی و فرم ورودی بهینه مدل با روش انتخاب ویژگی تعیین شد. سرانجام ، حداقل SVM مربع تنظیم شده توسط الگوریتم بهینه سازی Sines و Cosines برای پیش بینی توالی تقاضای برق استفاده شد. در [23] ، پارامترهای LSTM برای اولین بار با استفاده از الگوریتم جستجوی گنجشک (SSA) بهینه سازی شدند. سپس ، مجموعه داده از پیش پردازش شد و سرانجام از داده های پردازش شده برای آموزش و پیش بینی بار مسکونی استفاده شد. لی و همکاران.[24] LSTM را با رگرسیون کمی ترکیب کرد تا نتایج چندگانه چندگانه ایجاد کند و یک لایه ترکیبی را معرفی کند که روابط محدودیت بین مقادیر پیش بینی کمی را در نظر می گیرد تا اطمینان حاصل شود که مقادیر پیش بینی کوانتین معقول هستند.

TCN در سال 2018 برای ارائه مزایای عملکرد بیشتر نسبت به شبکه های عصبی مکرر (RNN) در کارهای پردازش داده های زمانی ارائه شد [25]. به دنبال انگیزه فوق ، ما یک روش جدید را بر اساس دستگاه بردار پشتیبانی هسته (KSVM)-TCN-Gradient Boosting Tree (GBRT) برای بهبود دقت پیش بینی تقاضای کوتاه مدت بازارهای برق پیشنهاد می کنیم. سهم این مقاله به شرح زیر است: (1) از KSVM برای استخراج و آموزش ویژگی های طبقه بندی برای تقاضای برق در زمان واقعی بر روی داده های تاریخی با ویژگی های دما و سرعت باد استفاده می شود و از یک روش محاسبه عددی برای انتخاب خودکار استفاده می شودپارامترهای KSVM برای استخراج توالی طبقه بندی تقاضای برق در زمان واقعی برای روزهای آینده به عنوان دنباله ویژگی.(2) یک روش TCN چند متغیره برای ضبط روند نوسان تقاضای روز در بازار روز پیشرو برای پیش بینی سری تقاضای زمان واقعی در بازار زمان واقعی استفاده می شود.(3) روش TCN-GBRT یکپارچه سازی پردازش دامنه زمان ، یادگیری یکپارچه و پردازش ویژگی موازی ارائه شده است. TCN به دلیل شبکه باقیمانده و ساختار حلقوی خود قادر به استخراج ویژگی ها و روابط زمانی است و از ناپدید شدن شیب و انفجار شیب در یادگیری عمیق جلوگیری می کند. GBRT می تواند چندین طبقه بندی ضعیف را در یک طبقه بندی کننده قوی ترکیب کند که از همه طبقه بندی کننده های ضعیف بهترین استفاده را می کند و به عملکرد بهینه می رسد.

2. مواد و روشها