Et indblik i Deep Learning-baseret efterspørgselsprognose i Smart Grids(1)

Abstrakt: Smart grids er i stand til at forudsige kundernes forbrugsmønstre, dvs. deres energibehov, og som følge heraf kan elektricitet transmitteres efter at have taget hensyn til den forventede efterspørgsel. For at imødegå nutidens udfordringer med forudsigelse af efterspørgsel, hvor de data, der genereres af smarte net, er enorme, skal der bruges moderne datadrevne teknikker. I dette scenarie er Deep Learning-modeller et godt alternativ til at lære mønstre fra kundedata og derefter forudsige efterspørgsel efter forskellige prognosehorisonter. Blandt de almindeligt anvendte kunstige neurale netværk spiller langtidshukommelsesnetværk – baseret på tilbagevendende neurale netværk – en fremtrædende rolle. Dette papir giver et indblik i vigtigheden af ​​spørgsmålet om efterspørgselsprognose og andre relaterede faktorer i forbindelse med intelligente net, og samler nogle erfaringer med brugen af ​​Deep Learning-teknikker til efterspørgselsprognoseformål. For at have et effektivt elsystem er en balance mellem udbud og efterspørgsel nødvendig. Derfor bør industriens interessenter og forskere gøre en særlig indsats i belastningsforudsigelse, især på kort sigt, hvilket er afgørende for efterspørgselsrespons.

Nøgleord: efterspørgselsprognose; belastningsprognose; kræve svar; prognose horisont; smart Grid; smart miljø; Deep Learning; Langtidshukommelsesnetværk; Konvolutionelle neurale netværk;Cistanche deserticola

Ørken ginseng

1. Introduktion

Elektricitet kan ikke nemt lagres til fremtidig forsyning, i modsætning til andre råvarer såsom olie. Det betyder, at elektriciteten skal distribueres til forbrugerne umiddelbart efter dens produktion. Fordelingen af ​​elektricitet til slutbrugere er sket ved hjælp af det traditionelle elnet (se definition i tabel 1), som muliggør levering af elektricitet fra producenter til forbrugere. For at nå dette mål forbinder den elproduktionsstationerne og transmissionslinjerne, der leverer elektriciteten til slutbrugerne. Traditionelle elektriske net varierer i størrelse. Da disse net begyndte at udvide sig, blev det en meget kompleks og vanskelig opgave at kontrollere dem. Derudover er efterspørgselsprognoser (se definition i tabel 1) ikke traditionelt blevet overvejet.

I denne sammenhæng opstår begrebet smart grid (se definition i tabel 1) og begynder at spille en vigtig rolle. Dette koncept er blevet udtømmende gennemgået i litteraturen (f.eks. [1-4]). Smart grids giver tovejskommunikation mellem forbrugere og leverandører. Smart grids tilføjer hardware og software til det traditionelle elnet for at give det en autonom responskapacitet på forskellige hændelser, der kan påvirke elnettet. Det endelige mål er at opnå optimal daglig driftseffektivitet for levering af elektrisk strøm. I [4] definerer forfatterne et "smart grid" som en ny form for elektricitetsnetværk, der tilbyder selvhelbredelse, power-fellow-kontrol, energisikkerhed og energipålidelighed ved hjælp af digital teknologi. I [2] fremhæver forfatterne, at konceptet med smart grid transformerer det traditionelle elektriske net ved at bruge forskellige typer avanceret teknologi. Ifølge disse forfattere integrerer dette koncept alle de elementer, der er nødvendige for at generere, distribuere og forbruge energi effektivt og effektivt. I [5] understreger forfatterne, at smart grid-konceptet opstod for at gøre det traditionelle elektriske net mere effektivt, sikkert, pålideligt og stabilt og for at kunne implementere efterspørgselsrespons (se definition i tabel 1).

Tabel 1. Vigtige nøgleord til at læse denne artikel.

Smart grid-paradigmet giver forbrugerne mulighed for at finde ud af deres energiforbrugsmønstre. Derfor kan forbrugerne kontrollere deres forbrug og bruge energien mere effektivt. I implementeringen af ​​smart grid-konceptet spiller efterspørgselsrespons – til både husholdnings- og industriformål – en vigtig rolle. Et andet nyttigt værktøj er belastningsforudsigelse (se definition i tabel 1). I [6] markerer forfatterne vigtigheden af ​​dette koncept i forbindelse med intelligente net, da forudsigelse af den nødvendige elektricitet for at imødekomme efterspørgslen gør det muligt for elselskaber at balancere efterspørgsel og udbud bedre. Elselskaber er især interesserede i at opnå præcise prognoser for de næste 24 timer, hvilket kaldes belastningsprofil (se definition i tabel 1).

Derudover har den øgede efterspørgsel efter strøm på bestemte tidspunkter af døgnet i de senere år skabt flere problemer. Belastningsprognose er især vigtig i myldretiden. Efterspørgselsrespons opfordrer kunder til at aflaste ikke-essentielt energiforbrug i disse myldretider.

For at klare udfordringer med belastningsforudsigelse er det nødvendigt at bruge moderne datadrevne teknikker. Faktisk har inkorporeringen af ​​nye teknologier, såsom Big Data, Machine Learning, Deep Learning og Internet of Things (IoT), opgraderet smart grid-konceptet til et andet niveau, da disse teknologier giver mulighed for forbedret efterspørgselsprognose og automatiseret efterspørgselsrespons .

Dette papir giver indsigt i vigtigheden af ​​efterspørgselsprognoser og vigtige relaterede faktorer i forbindelse med intelligente net, samt muligheden for at bruge datadrevne teknikker til dette formål. Mere specifikt fokuserer forfatterne på Deep Learning-teknikker, da det har vist sig som en god mulighed for implementering af efterspørgselsprognoser i sammenhæng med smart grids. Papiret samler nogle erfaringer med at bruge forskellige Deep Learning-teknikker i energidomænet til prognoseformål. Et effigy-klient-strømsystem skal tage hensyn til efterspørgselsrespons. Derudover er nøjagtig belastningsforudsigelse, især på kort sigt, afgørende, hvorfor industriens interessenter og forskere sætter en særlig indsats i det.

Cistanche deserticola eksperiment

Klik her for at se Cistanche-produkter

【Spørg om mere】 E-mail:cindy.xue@wecistanche.com / Whats App: 0086 18599088692 / Wechat: 18599088692

Resten af ​​denne artikel er organiseret som følger. Afsnit 2 præsenterer årsagerne til, at efterspørgselsprognose er vigtig i forbindelse med intelligente net. Afsnit 3 beskriver de vigtigste faktorer i efterspørgselsprognoser. Afsnit 4 præsenterer de forskellige mulige klassifikationer af efterspørgselsprognoseteknikker. Afsnit 5 indeholder nogle grundlæggende principper og begreber, der er nyttige til at forstå de Deep Learning-modeller, der almindeligvis bruges i energidomænet. Afsnit 6 indsamler forskellige erfaringer med at bruge disse modeller i sammenhæng med intelligente net til prognoseformål. Til sidst opsummerer afsnit 7 hovedkonklusionerne af dette arbejde.

2. Vigtigheden af ​​efterspørgselsprognose

I [7] opsummerer forfatterne de vigtigste krav til intelligente net som følger: fleksibel nok til at imødekomme brugernes behov, i stand til at håndtere usikre begivenheder, tilgængelig for alle brugere, pålidelig nok til at garantere højkvalitets energiforsyning til forbrugerne og innovativ nok at styre energien effektivt.

Med disse krav i tankerne bør smart grids sigte mod at udvikle billige, nemme at implementere tekniske løsninger med distribueret intelligens til at fungere effektivt i nutidens stadig mere komplekse scenarier. For at opgradere et traditionelt elnet til et smart grid er intelligente og sikre kommunikationsinfrastrukturer nødvendige [4].

Ifølge undersøgelsen præsenteret i [8] kan prognoser anvendes på to hovedområder: netkontrol og efterspørgselsrespons. I [9] fremhæver forfatterne, at prognosemodeller er afgørende for at give optimal kvalitet af energiforsyningen til den laveste pris. Desuden vil realtidsinformation om brugernes energiforbrugsmønstre gøre det muligt at anvende mere sofistikerede og effektive prognosemodeller. Forecasting skal også tage højde for behovet for at håndtere konstant skiftende information. I [10] fremhæver forfatterne, at efterspørgselsresponsprogrammer med det smarte net kan gøre nettet mere omkostningseffektivt og modstandsdygtigt.

Forfatterne i [11] bemærker, at der er vigtige udfordringer i efterspørgselsprognoser på grund af usikkerheden i genereringsprofilen for distribuerede og vedvarende energiproduktionsressourcer. Der lægges stigende vægt på modeller for belastningsforudsigelse, især håndtering af vedvarende energikilder (solstråling, vind osv.) [9].

Hvad gør cistanche - Forbedre hukommelsen

Det distribuerede generationsparadigme letter brugen af ​​vedvarende energikilder, der kan placeres i nærheden af ​​forbrugspunkter. Når du bruger dette paradigme, har smarte net flere små planter, der leverer energi til deres omgivelser. Derfor er afhængigheden af ​​distributions- og transmissionsnettet mindre [9]. Dette paradigme gør dog netstyringen endnu mere usikker, især når de distribuerede generationskilder er vedvarende og derfor har en tilfældig karakter. På trods af denne vanskelighed forventes variable vedvarende energikilders andel i energiproduktionen at stige i de kommende år [12].

Et andet nøgleelement er mikrogrids (se definition i tabel 1) [13,14]. Baseret på dette koncept og under hensyntagen til den intelligens, der anvendes i bygninger, er der opstået nye koncepter, herunder smarte hjem (se definition i tabel 1) og smarte bygninger (se definition i tabel 1). Bygninger i dag er komplekse kombinationer af strukturer, systemer og teknologi. Teknologi er en stor allieret i at optimere ressourcer og forbedre sikkerheden. Fremskridt inden for bygningsteknologier er at kombinere netværksforbundne sensorer og dataregistrering på innovative måder [15]. Moderne faciliteter kan justere opvarmning, køling og belysning for at maksimere energieffektiviteten og giver også detaljerede rapporter om energiforbrug. I disse nye smarte miljøer (se definition i tabel 1) er sensorer og smarte enheder indsat for at få tilstrækkelig information om brugernes energiforbrugsmønstre. Endnu en gang kræver dette prognosemodeller, der skal anvendes på de specifikke variabler i det scenarie, der skal kontrolleres.

Prognosemodeller vil gøre det muligt at overveje variabler (klimatiske, sociale, økonomiske, vane-relaterede osv.), som kan påvirke nøjagtigheden af ​​prognoser [9]. Disse forfattere bemærker, at energiefterspørgselsestimater i adskilte scenarier, såsom boligbrugere i smarte bygninger, er mere komplekse sammenlignet med energiefterspørgselsestimater for et aggregeret scenario, såsom et land. Opdeling af efterspørgslen letter også implementeringen af ​​efterspørgselsrespons, da der kan tilbydes forskellige priser baseret på de kriterier, som elselskabet opstiller.

Den gradvise integration af intelligens på transmissions-, distributions- og slutbrugerniveauet i elsystemet har til formål at optimere energiproduktion og -distribution for at tilpasse producenternes udbud til forbrugernes efterspørgsel. Desuden søger smarte net at forbedre fejldetektionsalgoritmer [16]. Nøjagtige efterspørgselsprognoser er meget nyttige for energileverandører og andre interessenter på energimarkedet [17]. Belastningsprognose har været et af de største problemer, som elindustrien står over for siden introduktionen af ​​elektrisk kraft [18].

3. Vigtige faktorer i efterspørgselsprognose

Efterspørgsel efter elektricitet påvirkes af forskellige variabler eller determinanter. Disse variabler omfatter prognosehorisonter, niveauet af belastningsaggregering, vejrforhold (fugtighed, temperatur, vindhastighed og overskyethed), socioøkonomiske faktorer (industriel udvikling, befolkningstilvækst, elektricitetsomkostninger osv.), kundetype (bolig, kommercielle og industrielle), og kundefaktorer om elforbrug (kendetegn ved forbrugerens elektriske udstyr) (f.eks. [19-23]).

For fuldt ud at forstå efterspørgselsprognoseteknikker og -mål er det nødvendigt at undersøge disse determinanter. I dette afsnit vil forfatterne fokusere på (1) periode, (2) økonomiske problemer, (3) vejrforhold og (4) kunderelaterede faktorer.

Fordele ved cistanche tubulosa - Forbedre hukommelsen

3.1. Periode eller prognosehorisont

Den periode, der almindeligvis omtales som prognosehorisont, er formentlig en af ​​de faktorer, der har størst indflydelse.

Ifølge forskellige forfattere (f.eks. [17,24]) kan efterspørgselsprognose klassificeres i tre kategorier vedrørende prognosehorisonten:

• Kortvarig (typisk en time til en uge).

• Mellemlang sigt (typisk en uge til et år).

•Langsigtet (typisk mere end et år).

Faktorer, der påvirker kortsigtede efterspørgselsprognoser, varer normalt ikke længe, ​​såsom pludselige ændringer i vejret [22]. Kvaliteten af ​​kortsigtede efterspørgselsprognoser er afgørende for aktører på elmarkedet [20]. På den anden side har indflydelsesfaktorerne ved mellemfristet efterspørgselsprognose ofte en vis varighed, såsom sæsonbestemte vejrændringer. Endelig varer de faktorer, der påvirker langsigtede efterspørgselsprognoser, i lang tid, typisk flere prognoseperioder, f.eks. ændringer i bruttonationalproduktet (BNP) [22]. Faktisk har økonomiske faktorer en vigtig indflydelse på langsigtede efterspørgselsprognoser, men også på mellem- og kortsigtede prognoser [25].

Forfatterne af [26] identificerer følgende kategorier om prognosehorisonten:

• Meget kortvarig (typisk sekunder eller minutter til flere timer).

• Kortvarig (typisk timer til uger).

• Mellemlang og lang sigt (typisk måneder til år).

Ifølge disse forfattere bruges meget kortsigtede efterspørgselsprognosemodeller generelt til at kontrollere flowet. Kortsigtede efterspørgselsprognosemodeller bruges almindeligvis til at matche udbud og efterspørgsel. Og endelig bruges mellem- og langsigtede efterspørgselsprognosemodeller typisk til at planlægge aktivforsyninger.

Forfatterne i [27] viste, at belastningskurven for netstationer er periodisk, ikke kun i den daglige belastningskurve, men også i de ugentlige, månedlige, sæsonmæssige og årlige belastningskurver. Denne periodicitet gør det muligt at forudsige belastningen ret effektivt.

Efterspørgslen afspejler også forbrugerens daglige livsstil [28]. Forbrugernes daglige efterspørgselsmønstre er baseret på deres daglige aktiviteter, herunder arbejde, fritid og søvntimer. Derudover er der andre efterspørgselsvariationsmønstre over tid. For eksempel i ferier og weekender er efterspørgslen i industrier og kontorer væsentligt lavere end på hverdage på grund af et drastisk fald i aktiviteten. Endelig varierer strømbehovet også cyklisk afhængigt af tidspunktet på året, ugedagen og tidspunktet på dagen [22].

3.2. Socioøkonomiske faktorer

Socioøkonomiske faktorer, herunder industriel udvikling, BNP og elektricitetsomkostninger, påvirker også i betydelig grad udviklingen i efterspørgslen. Som nævnt i det foregående afsnit påvirker økonomiske faktorer i høj grad de langsigtede efterspørgselsprognoser og har også en vigtig indflydelse på mellem- og kortsigtede prognoser.

Eksempelvis vil industriel udvikling uden tvivl øge energiforbruget. Det samme vil være tilfældet for befolkningstilvæksten. Det betyder, at der er en positiv sammenhæng mellem industriel udvikling, befolkningstilvækst og energiforbrug.

BNP er en indikator, der fanger et lands økonomiske output. Lande med et højere BNP genererer en større mængde varer og tjenesteydelser og vil følgelig have en højere levestandard og livsstilsvaner, hvilket vil stimulere energiefterspørgslen.

En anden økonomisk faktor at overveje er omkostningerne, da det også påvirker efterspørgslen. For eksempel, når prisen på el falder, har det spildte elforbrug en tendens til at stige [22].

Omkostningerne til elektricitet afhænger af forskellige faktorer og er formet på forskellige måder. For eksempel er der i nogle lande som Spanien to markeder (regulerede og gratis) for elektricitet. På det frie marked er prisen på elektricitet fastsat i den kontrakt, som forbrugeren har underskrevet. Derimod afhænger prisen på el på det regulerede marked af udbud og efterspørgsel. Prisen opdateres hver time og svinger. Fra efterspørgselssiden, jo mere strøm der efterspørges, jo dyrere er det. Når der kræves mindre strøm, jo ​​billigere er det. Normalt er det billigt at bruge strøm ved daggry og dyrt at gøre det, når alle andre bruger det (f.eks. ved middagstid).

Men det er ikke kun efterspørgslen, der påvirker priserne, men også udbuddet af energi. Årsagen er, at variationer i elprisen på det regulerede marked skyldes forskelle mellem efterspørgsel og udbud. Derfor skal forsyningen tage højde for de forskellige måder at producere elektricitet på, som har forskellige omkostninger. Den billigste er elektricitet produceret af vedvarende energi som sol, vind og vandkraft. Prisen på atomenergi er også lav; i mange lande (f.eks. Spanien) dækker atomenergi imidlertid ikke alle energibehov. Termisk (kul), kraftvarme eller kombineret kredsløb - hvis hovedbrændstof er gas - har tendens til at være dyrere. Det er også vigtigt at huske, at de vigtigste kilder til vedvarende energi, såsom vandkraft eller vind, afhænger af ukontrollerbare eksterne faktorer. For eksempel er tilstrækkelig nedbør afgørende for at producere vandkraft. Der er dog ingen måde at kontrollere vejret for at gøre det gunstigt til at producere elektrisk energi. Givet ovenstående er prisen bestemt af prisen på en blanding af forskellige kilder til elproduktion, fra billigste til dyreste, indtil hele energibehovet er dækket.

Cistanche supplement i nærheden af ​​mig - Forbedre hukommelsen

3.3. Vejrforholdene

Der er forskellige vejrvariabler, der er relevante for efterspørgselsprognose, såsom temperatur, luftfugtighed og vindhastighed.

Vejrforholdenes indflydelse på efterspørgselsprognoser har tiltrukket mange forskeres interesse. Som et eksempel foreslog forfatterne i [29] forskellige modeller til at forudsige den næste dags aggregerede belastning ved hjælp af kunstige neurale netværk (ANN'er), under hensyntagen til de mest relevante vejrvariabler - mere specifikt middeltemperatur, relativ luftfugtighed og aggregeret solstråling - til analysere vejrets indflydelse.

Nogle forfattere har undersøgt forholdet mellem temperatur og elforbrug og hævder, at sammenhængen mellem temperatur og elbelastningskurven er positiv, især om sommeren (f.eks. [25]).

I øjeblikket er hedebølger blevet mere almindelige rundt om i verden, såvel som muligheden for ekstreme temperaturer. Derudover er hedebølger ikke kun hyppigere, men også mere intense og længerevarende. Desuden bliver nætterne varmere, hvilket er et ekstra problem. Hovedeffekten af ​​en hedebølge er en stigning i energiforbruget, da forbrugeren tænder for klimaanlægget mere og i længere perioder. Derudover skal kølesystemer arbejde hårdere, da de skal klare højere temperaturer.

I løbet af sommeren tvinger hedebølger nettet til at have maksimal kapacitet. En af hvordan en hedebølge påvirker forbruget er gennem den øgede mætning af elnettet. Mens kolde bølger modvirkes med elektricitet, gas, træ osv., kan hedebølger kun bekæmpes med elektricitet. Med andre ord er de enheder, som forbrugerne bruger til køling, hovedsageligt drevet af elektricitet. Af denne grund genererer varmebølger mere stress på elledninger samt højere forbrug.

Det skal bemærkes, at i koldere lande er stigningen i forbruget under en hedebølge normalt lavere. Det skyldes, at installation af klimaanlæg ikke er så almindelig som i varmere lande. Disse koldere lande står dog over for hedebølger, som ikke fandt sted i de foregående år (før klimaforandringerne), og det volder dem alle typer problemer, da de er mindre forberedte. Denne situation tvinger disse lande til at foretage ændringer såsom at øge brugen af ​​kølesystemer.

På den anden side stiger oplevelsen af ​​temperaturens hårdhed med fugtigheden, især i regntiden og sommeren. Af denne grund stiger elforbruget på fugtige sommerdage. Det er også vigtigt at bemærke, at i kystområder, såsom Middelhavsområdet i Spanien, har elforbruget en tendens til at være højere. Det skyldes både, at huse har en tendens til at have mere elektrisk udstyr end i andre områder, og på grund af den høje luftfugtighed på grund af nærheden til havet.

Vindhastigheden påvirker også elforbruget. Når det blæser, føler menneskekroppen, at temperaturen er meget lavere, og der skal mere varme til, hvilket øger elforbruget. Det skal dog også bemærkes, at vindenergi er en af ​​de vigtigste vedvarende energier. Med andre ord, når der er vind, stiger elforbruget, men samtidig falder prisen. Dette skyldes, som forklaret i det foregående afsnit, at prisen på elektricitet normalt bestemmes som en blanding af de forskellige energikilder, fra de billigste energier (vedvarende energi, herunder vind og atomkraft) til de dyreste produktionskilder (termisk, kombineret). cyklus).

Temperatur, luftfugtighed og vind påvirker brugen af ​​elektricitet. Fugtighed og temperatur er også de vigtigste vejrvariabler, der bruges i systemer til forudsigelse af elbehov for at minimere driftsomkostningerne. Men andre faktorer, såsom skyer, spiller også en rolle. For eksempel i løbet af dagen, når skyer forstyrrer sollys, er der normalt et fald i temperaturen og dermed et højere elforbrug.

3.4. Kundefaktorer

Kundetypen (bolig, erhverv og industri) samt andre kundefaktorer relateret til elforbrug (kendetegn ved forbrugerens elektriske udstyr) kan også påvirke efterspørgslen. Dette er vigtigt, fordi de fleste energiselskaber har forskellige typer kunder (private, kommercielle og industrielle forbrugere), som har udstyr, der varierer i type og størrelse. Disse forskellige typer kunder har forskellige belastningskurver, selvom der er nogle ligheder mellem kommercielle og industrielle kunder.

Tabel 2 opsummerer de vigtigste determinanter, der påvirker elefterspørgslen, beskrevet i dette afsnit.

Tabel 2. Hovedvariable, der påvirker elefterspørgslen.

4. Klassificering af efterspørgselsprognoseteknikker

Dette afsnit klassificerer efterspørgselsprognosemodeller efter tre forskellige kriterier: (1) periode, (2) prognosemål og (3) anvendt model.

Den første klassifikation fokuserer på synsvinklen for den periode, der skal forudses, dvs. prognosehorisonten. For at vælge dette kriterium er elefterspørgslens determinanter, der blev præsenteret i det foregående afsnit, taget i betragtning. Den anden klassifikation fokuserer på prognosemålets synspunkt og skelner mellem prognoseteknikker, der producerer en enkelt værdi, og dem, der producerer flere værdier. Endelig fokuserer den tredje klassifikation på den anvendte models synspunkt.

4.1. Klassificering af efterspørgselsprognoseteknikker i henhold til prognosehorisonten

Som forklaret i det foregående afsnit er de vigtigste prognosehorisonter, der kan identificeres, følgende:

• Meget kortsigtet: typisk fra sekunder eller minutter til flere timer.

• Kortsigtet: typisk fra timer til uger.

• Mellemlang sigt: typisk fra en uge til et år.

• Langsigtet: typisk mere end et år.

Den største forskel er omfanget af de variabler, der anvendes i hvert enkelt tilfælde. Meget kortsigtede prognosemodeller bruger nylige input (typisk minutter eller timer), kortsigtede prognosemodeller bruger input typisk i løbet af dage, og mellem- og langsigtede prognosemodeller bruger input typisk i intervallet af uger eller endda måneder.

Elselskaber er særligt interesserede i at producere nøjagtige prognoser for belastningsprofilen (f.eks. [9,30,31]). Dette skyldes, at det direkte kan påvirke den optimale planlægning af elproduktionsenheder. På grund af forbrugernes ikke-lineære og stokastiske adfærd er belastningsprofilen kompleks, og selvom der er blevet forsket på dette område, er der stadig brug for nøjagtige prognosemodeller [32].

4.2. Klassificering af efterspørgselsprognoseteknikker efter prognosemål

Prognosemodeller kan også klassificeres efter antallet af værdier, der skal forudses. I dette tilfælde kan to hovedkategorier overvejes.

Den første kategori refererer til prognoseteknikker, der kun producerer én værdi (f.eks. den næste dags samlede belastning, den næste dags spidsbelastning, den næste times belastning osv.). Eksempler findes i [33,34].

Den anden kategori refererer til prognoseteknikker, der producerer flere værdier, f.eks. den næste times spidsbelastning plus en anden parameter (f.eks. den samlede belastning) eller belastningsprofilen. Eksempler findes i [35–37].

Generelt er en-værdi prognoser nyttige til at optimere ydeevnen for belastningsstipendiater. På den anden side bruges prognoser med flere værdier hovedsageligt til planlægning af energiproduktion [9].

4.3. Klassificering af efterspørgselsprognoseteknikker i henhold til den anvendte model

Den model, der skal bruges, bestemmes normalt af den praktiserende læge. Med hensyn til modeller er hovedgrupperne lineære og ikke-lineære tilgange.

Lineære modeller inkluderer Spectral Decomposition (SD), Partial Least-Square (PLS), Auto-Regressive Integrated Moving Average (ARIMA), Auto-Regressive Conditional Heteroscedasticity (ARCH), Auto-Regressive (AR), Auto-Regressive og Moving Average (ARMA) ), Moving Average Model (MAM), Lineær Regression (LR) og State-Space (SS).

Lineære teknikker har gradvist mistet betydning og interesse til fordel for ikke-lineære teknikker baseret på ANN'er. Deep Learning-modeller bruger ANN'er, inspireret af det menneskelige nervesystem. Disse modeller kan lære mønstre fra de genererede data og forudsige spidsbelastning i forbindelse med nutidens komplekse smarte scenarier, hvor en stor mængde data kontinuerligt genereres fra forskellige kilder [7].

Tabel 3 opsummerer de kriterier, der almindeligvis anvendes til at klassificere efterspørgselsprognosemodeller.

Tabel 3. Hovedkriterier, der almindeligvis anvendes til at klassificere efterspørgselsprognosemodeller.

5. Grundlæggende og koncepter for Machine Learning og Deep Learning-systemer

Kunstig intelligens er et komplekst begreb, der i en nøddeskal refererer til maskinintelligens [38]. I modsætning til mennesker kan kunstig intelligens identificere mønstre inden for en stor mængde data ved at bruge en ganske begrænset mængde tid og ressourcer. Desuden falder maskinernes beregningskapacitet ikke med tiden og/eller trætheden [39].

Kunstig intelligens-systemer bruger forskellige typer læringsmetoder, såsom Machine Learning og Deep Learning.

5.1. Maskinelæring

Machine Learning-algoritmer er forudtrænede til at producere et resultat, når de konfronteres med et aldrig før set datasæt eller en situation [40]. Computeren har dog brug for flere eksempler for at lære, end mennesker gør [41]. Machine Learning tillader introduktionen af ​​intelligent beslutningstagning på mange områder og applikationer, hvor udvikling af algoritmer ville være kompleks, og der er behov for fremragende resultater [42].

Der er forskellige kategorier af Machine Learning-algoritmer, herunder overvåget, semisuperviseret, uovervåget og forstærkende læring. Disse forskellige kategorier af algoritmer er kort beskrevet nedenfor.

5.1.1. Superviseret læring

Efter at være blevet trænet med et sæt mærkede dataeksempler, kan disse algoritmer forudsige etiketværdier, når inputtet har umærkede data. De problemer, der typisk er forbundet med denne type læring, er (1) regression og (2) klassificering [43].

I regression fokuserer algoritmen på at forstå sammenhængen mellem afhængige og uafhængige variable. Ved klassificering bruges algoritmen til at forudsige dataenes klassemærke. Almindelige klassifikationsproblemer omfatter (1) binær klassificering mellem to klasseetiketter; (2) multi-class klassificering, mellem mere end to klasse etiketter; og (3) klassificering af flere etiketter, hvor ét stykke data er forbundet med flere klasser eller etiketter, i modsætning til traditionelle klassificeringsproblemer med gensidigt udelukkende klasseetiketter [44].

Metoder, der bruges til superviseret læring, omfatter Linear Discriminant Analysis (LDA), Naive Bayes (NB), K-nearest Neighbors (KNN), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), Adaptive Boosting (AdaBoost) ), Extreme Gradient Boosting (XGBoost), Stokastisk Gradient Descent (SGD), Regelbaseret klassifikation (til klassificering); og LR, ikke-lineær regression (NLR) og ordinær mindste kvadraters regression (OLS) (til regression) [44,45]. De mest citerede og implementerede superviserede elever i litteraturen er DT-, NB- og SVM-algoritmer [46].

Nogle interessante praktiske anvendelser er tekstklassificering, forudsigelse af følelsen af ​​en tekst (såsom en tweet eller andre sociale medier), vurdering af tøjprodukters miljømæssige bæredygtighed [47], karakterisering, forudsigelse og behandling af psykiske lidelser [48] og estimering højeste energibehov.

5.1.2. Uovervåget læring

Denne type læring bruger umærkede data. I dette tilfælde udforsker systemet de umærkede data for at finde skjulte strukturer i stedet for at forudsige det korrekte output. Denne type læring er ikke direkte anvendelig til regressions- eller klassifikationsproblemer, da de mulige værdier af outputtet er ukendte [49]. I stedet bruges det ofte til (1) clustering, (2) association og (3) dimensionalitetsreduktion [43].

Clustering gør det muligt at gruppere umærkede data baseret på deres ligheder eller forskelle [49,50]. Association bruger forskellige regler til at identificere ny og relevant indsigt mellem objekterne i et sæt. Endelig tillader dimensionsreduktion en reduktion af antallet af funktioner (eller dimensioner) af et datasæt for at eliminere irrelevante eller mindre vigtige funktioner og dermed reducere kompleksiteten af ​​modellen [44]. Denne reduktion i antallet af funktioner kan gøres ved at beholde en delmængde af de originale funktioner (funktionsvalg) eller ved at skabe helt nye funktioner (funktionsudtræk).

Den mest populære klyngealgoritme er sandsynligvis K-betyder klyngedannelse, hvor k-værdien repræsenterer klyngens størrelse [44,45,51]. Associationsalgoritmer omfatter Apriori, Equivalence Class Transformation (ECLAT) og Frequent Pattern (FP) Growth-algoritmer. Endelig bruger dimensionalitetsreduktion typisk Chi-kvadrattesten, Analysis of Variance (ANOVA) test, Pearsons korrelationskoefficient, Recursive Feature Elimination (RFE) til funktionsvalg og Principal Components Analysis (PCA) til feature ekstraktion.

Ifølge [46] er de mest almindeligt anvendte uovervågede elever K-midler, hierarkisk clustering og PCA.

Disse uovervågede elever kan have mange praktiske anvendelser, såsom ansigtsgenkendelse, kundeklassificering, patientklassificering, detektering af cyberangreb eller indtrængen [52] og dataanalyse inden for det astronomiske område [53].

5.1.3. Semisuperviseret læring

Konceptuelt placeret mellem overvåget og uovervåget læring, giver denne type læring mulighed for at drage fordel af de store umærkede datasæt, der er tilgængelige i nogle tilfælde kombineret med (normalt mindre) mængder af mærkede data [54,55]. Dette åbner op for interessante muligheder, da mærkede data ofte er knappe, mens umærkede data er hyppigere, og en semisuperviseret elev kan opnå bedre forudsigelser end dem, der produceres ved kun at bruge mærkede data [44].

Kandidatansøgninger er dem, hvor der kun er et lille sæt mærkede eksempler og mange flere umærkede, eller hvor mærkningsindsatsen er for høj. Et eksempel er medicinsk billeddannelse, hvor en lille mængde træningsdata kan give en stor forbedring af nøjagtigheden [43,56].

Tabel 4 sammenligner overvåget og ikke-overvåget læring med fokus på typen af ​​inputdata, der anvendes i hvert enkelt tilfælde (mærkede versus umærkede data), og de vigtigste opgaver, som begge typer læring bruges til (klassificering, regression versus klyngedannelse, association og dimensionsreduktion). ).

Tabel 4. Superviseret vs uovervåget læring.

5.1.4. Forstærkende læring

Denne læringsteknik afhænger af forholdet mellem en agent, der udfører en aktivitet, og dens omgivelser, som giver positiv eller negativ feedback [57,58]. Agenten skal vælge handlinger, der maksimerer belønningen i det miljø. Populære metoder omfatter Monte Carlo, Q-learning og Deep Q-learning [44].

Traditionelt almindelige applikationer omfatter strategispil såsom skak, autonom kørsel, logistik og fremstilling af forsyningskæden, genetiske algoritmer [57], 5G-mobilitetsstyring [59] og personlig plejelevering [60].

5.2. Dyb læring

Machine Learning kan klassificeres i overfladisk og dyb, i betragtning af kompleksiteten og strukturen af ​​algoritmen [41]. Deep Learning bruger flere lag af neuroner sammensat af komplekse strukturer til at modellere dataabstraktioner på højt niveau [61]. Typen af ​​output og dataenes karakteristika bestemmer den algoritme, der skal bruges til et bestemt use case [62].

Deep Learning bruger ANN'er inspireret af det menneskelige nervesystem [63]. Denne type netværk har typisk to lag af henholdsvis input- og output-knudepunkter, forbundet med hinanden af ​​et eller flere lag af skjulte knudepunkter. Mulige dybe ANN-arkitekturer inkluderer Multilayer Perceptron (MLP), Long Short-Term Memory Recurrent Neural Networks (LSTMRNN), Generative Adversarial Networks (GAN) og Convolutional Neural Networks (CNN eller ConvNet).

Ifølge vores litteraturgennemgang er de mest udbredte modeller i energidomænet Convolutional Neural Networks (CNN'er), Recurrent Neural Networks (RNN'er), Long Short-Term Memory (LSTM), Deep Q-Networks (DQN'er) og Conditional Restricted Boltzmann Maskine (CRBM) og en variation af en af ​​dem, en kombination af to eller flere af dem, eller kombinationen af ​​en af ​​dem med andre teknikker. Disse modeller er kort beskrevet nedenfor.

5.2.1. Konvolutionelle neurale netværk

Disse netværk er biologisk inspirerede netværk, ligesom almindelige neurale netværk. Men i denne type netværk antages inputs at have en specifik struktur såsom billeder [64]. Da disse netværk er en af ​​de mest udbredte og effektive modeller for Deep Learning, omfatter disse netværk normalt to typer lag (dvs. pooling og foldningslag). En typisk CNN-arkitektur består normalt af et inputlag, et foldningslag, et Max-poolinglag og det endelige fuldt forbundne lag, som vist i figur 1 [65].

Figur 1. Standard Convolutional Neural Network Architecture [65]

Forskellige arkitektoniske designs udforsker effekten af ​​multi-level transformationer på indlæringsevnen af ​​sådanne netværk. Et af disse mulige arkitektoniske designs er Pyramid. Pyramidearkitekturen for konvolutionelle neurale netværk er almindeligvis kendt som Pyramid-CNN [66].

5.2.2. Tilbagevendende neurale netværk

I denne type netværk danner forbindelserne mellem noder en rettet eller ikke-rettet graf langs en tidssekvens. Figur 2 viser en typisk RNN-struktur [65].

Figur 2. Rammen for et tilbagevendende neuralt netværk: Inputlag (Xt); outputlag (Ot); skjult lag (St); parametermatricer og vektorer (U, V, W); aktiveringsfunktion af outputlag (σy); og aktiveringsfunktion af det skjulte lag (σh ) [65].

Dette netværk kan bruge en gating-mekanisme kaldet Gated Recurrent Units (GRU'er) og introduceret i 2014 af forfatterne [67]. GRU er ligesom LSTM-netværk, men med en glemmeport og færre parametre, da de mangler en outputgate.

En anden variation af denne type netværk, foreslået af Elman [68], er Elman RNN, som omfatter modificerbare feedforward-forbindelser og faste tilbagevendende forbindelser. Den bruger et sæt kontekstnoder til at lagre interne tilstande, hvilket giver den visse unikke dynamiske egenskaber frem for statiske [69].

5.2.3. Lang korttidshukommelse

Disse netværk er en særlig slags RNN. I modsætning til standard feedforward neurale netværk har disse netværk feedbackforbindelser og kan endda behandle hele sekvenser af data (såsom tale eller video) foruden individuelle datapunkter (såsom billeder). Denne type RNN indeholder et inputlag, et tilbagevendende skjult lag og et outputlag med en hukommelsesblokstruktur som vist i figur 3 [70].

Figur 3. LSTM-hukommelsesblok [70].

LSTM-hukommelsesblokken kan beskrives i henhold til følgende ligninger [70]:

hvor tx er modelinput på tidspunktet t; Wi, Wf, Wc, W{{0}}, Ui, Uf, Uc, U0, V0 er vægtmatricer; bi, bf, bc, b0 er forspændingsvektorer; it, ft, 0t er henholdsvis aktiveringerne af de tre porte på tidspunktet t; det er hukommelsescellens tilstand på tidspunktet t; ht er outputtet fra hukommelsesblokken på tidspunktet t; repræsenterer skalarproduktet af to vektorer; σ(x) er portaktiveringsfunktionen; g(x) er celleinputaktiveringsfunktionen; h(x) er celleoutputaktiveringsfunktionen.

En mulig udvidelse af denne model er Bidirectional LSTM (B-LSTM). Denne type LSTM-netværk har til formål at analysere sekvenser fra både front-to-back og back-to-front, dvs. sekvensinformationen går i begge retninger bagud og fremad, i modsætning til i en normal LSTM.

5.2.4. Deep Q Network og Dueling Deep-Q Network

Deep Q Networks (DQN) og Dueling Deep-Q Networks (DDQN) er en type ANN, der bruger Deep Q-læringsalgoritmen, som er populær inden for forstærkningslæring. I et duellernetværk er der to strømme til separat at estimere tilstandsværdien såvel som fordelene ved hver handling. Hovedformålet med Deep-Q Network er at vælge den bedste handling i en bestemt tilstand. I betragtning af at π er den politik, som en agent følger i et givet miljø, kan funktionen Qπ defineres som følger [71]:

hvor s er en tilstand; a er en handling; ri er den potentielle belønning; ∈ [0, 1] er en rabatfaktor for at gøre den umiddelbare belønning vigtigere end de fremtidige. Derfor er formålet med Q-læring at maksimere den optimerede værdifunktion Q* (s, a)=max πQ π(s, a). Figur 4 viser skemaet for en typisk DQN-arkitektur [71]. 5.2.5. Conditional Restricted Boltzmann Machine En Restricted Boltzmann Machine (RBM) er en stokastisk RNN ​​med to lag, et med synlige enheder og et med binære skjulte enheder. Denne type netværk kan lære en sandsynlighedsfordeling over sit sæt af input. RBM'er er en variant af Boltzmann Machines Deep Q-Network-arkitektur [71].

Figur 4. Figur 4 viser skemaet for en typisk DQN-arkitektur [71].