Μοντέλα Πρόβλεψης Ισχύος σε Έξυπνα Δίκτυα Χαμηλής Τάσης με Χρήση Τεχνικών Μηχανικής και Βαθιάς Μάθησης

Abstract

Η βραχυπρόθεσμη πρόβλεψη ισχύος (STPF) και φορτίου (STLF) σε ηλεκτρικά δίκτυα και ιδιαίτερα σε έξυπνα ηλεκτρικά δίκτυα είναι κρίσιμη, καθώς συνεισφέρει στην βελτιστοποίηση της λειτουργίας τους τόσο σε επίπεδο αξιοπιστίας και απόδοσης όσο και σε επίπεδο κόστους. Πρόκειται για ένα ζήτημα που παρουσιάζει πολλές προκλήσεις εξ’ αιτίας των πολλαπλών ηλεκτρικών φορτίων που είναι συνδεδεμένα στο δίκτυο και την εξάρτηση της ισχύος τους, ενεργού και αέργου, από πληθώρα εξωγενών μεταβλητών. Στην παρούσα εργασία γίνεται χρήση μοντέλων μηχανικής μάθησης (ML) και βαθιάς μάθησης (DL) –συγκεκριμένα των μοντέλων Light Gradient Boosting Machine (LightGBM), Neural Basis Expansion Analysis Time Series Forecasting (N-BEATS) και Temporal Convolutional Networks (TCN). Επιπλέον δοκιμάζεται και μια μέθοδος ensemble στο μοντέλο N-BEATS με χρήση πολλαπλών instances του μοντέλου με διαφορετική αρχικοποίηση βαρών. Τα μοντέλα εξετάζονται σε σχέση με την προβλεπτική τους ικανότητα σε πολλαπλά σύνολα δεδομένων που αφορούν χρονοσειρές ηλεκτρικής ενέργειας χαμηλής τάσης οι οποίες έχουν συλλεχθεί από έξυπνους μετρητές (smart meters) στο Terni της Ιταλίας. Ερευνάται, επιπλέον, η επίδραση εξωγενών μεταβλητών, όπως τα καιρικά δεδομένα και οι χρονικές μεταβλητές, στην προβλεπτική ικανότητα των μοντέλων. Στο πλαίσιο της ανακάλυψης πρώιμων μοτίβων και συσχετίσεων μεταξύ χρονοσειρών αλλά και για την ενδεχόμενη βελτίωση των μεταγενέστερων προβλέψεων διεξάγεται μία εκτενής διερευνητική ανάλυση δεδομένων (EDA). Κατά τη διάρκεια της πειραματικής διαδικασίας γίνεται προσπάθεια πρόβλεψης χρονοσειρών που αφορούν σε σύνολα δεδομένων ενεργού και αέργου ισχύος, ωριαίας ανάλυσης, που μετρήθηκαν από smart meters τοποθετημένα σε κομβικές θέσεις ενός έξυπνου δικτύου. Ο χρονικός ορίζοντας των προβλέψεων εκτείνεται στη μία ημέρα. Από τα αποτελέσματα των πειραμάτων συμπεραίνεται ότι το πιο αποδοτική μοντέλο κατά μέσο όρο αναδεικνύεται μέσα από τη μέθοδο μηχανικής μάθησης LightGBM με καλύτερες επιδόσεις από τις αρχιτεκτονικές βαθιάς μάθησης στις περισσότερες περιπτώσεις, αλλά και σχετικά χαμηλές υπολογιστικές απαιτήσεις. Παρατηρήθηκε επίσης ότι η τεχνική ensemble στο N-BEATS οδηγεί το μοντέλο σε πολύ καλύτερα αποτελέσματα, με βελτίωση της απόδοσής του στην πρόβλεψη της ενεργούς ισχύος έως 16% με βάση το MASE . Ένα σημαντικό αποτέλεσμα επίσης έγκειται στο ότι –σε αντίθεση με το N-BEATS– για την εξασφάλιση της βέλτιστης απόδοσης του μοντέλου LightGBM είναι αναγκαία η χρήση εξωγενών μεταβλητών. Τα αποτελέσματα της εργασίας μπορούν να αξιοποιηθούν από τον διαχειριστή του έξυπνου συστήματος ηλεκτρικής ενέργειας ως i) ένα εργαλείο πρόβλεψης μηχανικής μάθησης για την αποδοτικότερη λειτουργία του δικτύου και ii) ως έναν οδηγό επιλογής κατάλληλων μεθόδων πρόβλεψης στο πλαίσιο του έξυπνου δικτύου, ο οποίος λαμβάνει υπόψη τόσο την ακρίβεια όσο και τη βιωσιμότητα τους.