Published June 15, 2021
| Version v1
Publication
Open
Short-Term Electricity Generation Forecasting Using Machine Learning Algorithms: A Case Study of the Benin Electricity Community (C.E.B)
- 1. University of Lomé
Description
Time series forecasting in the energy sector is important to power utilities for decision making to ensure the sustainability and quality of electricity supply, and the stability of the power grid. Unfortunately, the presence of certain exogenous factors such as weather conditions, electricity price complicate the task using linear regression models that are becoming unsuitable. The search for a robust predictor would be an invaluable asset for electricity companies. To overcome this difficulty, Artificial Intelligence differs from these prediction methods through the Machine Learning algorithms which have been performing over the last decades in predicting time series on several levels. This work proposes the deployment of three univariate Machine Learning models: Support Vector Regression, Multi-Layer Perceptron, and the Long Short-Term Memory Recurrent Neural Network to predict the electricity production of Benin Electricity Community. In order to validate the performance of these different methods, against the Autoregressive Integrated Mobile Average and Multiple Regression model, performance metrics were used. Overall, the results show that the Machine Learning models outperform the linear regression methods. Consequently, Machine Learning methods offer a perspective for short-term electric power generation forecasting of Benin Electricity Community sources.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يعد التنبؤ بالسلاسل الزمنية في قطاع الطاقة أمرًا مهمًا لمرافق الطاقة لاتخاذ القرارات لضمان استدامة وجودة إمدادات الكهرباء واستقرار شبكة الطاقة. لسوء الحظ، فإن وجود بعض العوامل الخارجية مثل الظروف الجوية وسعر الكهرباء يعقد المهمة باستخدام نماذج الانحدار الخطي التي أصبحت غير مناسبة. سيكون البحث عن مؤشر قوي أصلًا لا يقدر بثمن لشركات الكهرباء. للتغلب على هذه الصعوبة، يختلف الذكاء الاصطناعي عن طرق التنبؤ هذه من خلال خوارزميات التعلم الآلي التي كانت تؤدي على مدى العقود الماضية في التنبؤ بالسلاسل الزمنية على عدة مستويات. يقترح هذا العمل نشر ثلاثة نماذج للتعلم الآلي أحادية المتغير: دعم الانحدار المتجهي، والمدرك متعدد الطبقات، والشبكة العصبية المتكررة للذاكرة طويلة المدى للتنبؤ بإنتاج الكهرباء في مجتمع كهرباء بنين. من أجل التحقق من أداء هذه الأساليب المختلفة، تم استخدام مقاييس الأداء مقابل نموذج المتوسط المتحرك المتكامل الانحداري التلقائي ونموذج الانحدار المتعدد. بشكل عام، تظهر النتائج أن نماذج التعلم الآلي تتفوق على طرق الانحدار الخطي. وبالتالي، توفر أساليب التعلم الآلي منظورًا للتنبؤ بتوليد الطاقة الكهربائية على المدى القصير لمصادر مجتمع الكهرباء في بنين.Translated Description (French)
Les prévisions chronologiques dans le secteur de l'énergie sont importantes pour les services publics d'électricité pour la prise de décision afin d'assurer la durabilité et la qualité de l'approvisionnement en électricité, ainsi que la stabilité du réseau électrique. Malheureusement, la présence de certains facteurs exogènes tels que les conditions météorologiques, le prix de l'électricité compliquent la tâche en utilisant des modèles de régression linéaire qui deviennent inadaptés. La recherche d'un prédicteur robuste serait un atout inestimable pour les compagnies d'électricité. Pour surmonter cette difficulté, l'Intelligence Artificielle diffère de ces méthodes de prédiction à travers les algorithmes de Machine Learning qui ont été performants au cours des dernières décennies dans la prédiction de séries temporelles à plusieurs niveaux. Ce travail propose le déploiement de trois modèles d'apprentissage automatique univariés : Support Vector Regression, Multi-Layer Perceptron et Long Short-Term Memory Recurrent Neural Network pour prédire la production d'électricité de la communauté béninoise de l'électricité. Afin de valider la performance de ces différentes méthodes, par rapport au modèle Autoregressive Integrated Mobile Average and Multiple Regression, des métriques de performance ont été utilisées. Dans l'ensemble, les résultats montrent que les modèles d'apprentissage automatique surpassent les méthodes de régression linéaire. Par conséquent, les méthodes d'apprentissage automatique offrent une perspective pour la prévision à court terme de la production d'électricité des sources de la communauté béninoise de l'électricité.Translated Description (Spanish)
La previsión de series temporales en el sector energético es importante para las empresas de servicios públicos de energía para la toma de decisiones con el fin de garantizar la sostenibilidad y la calidad del suministro eléctrico, así como la estabilidad de la red eléctrica. Desafortunadamente, la presencia de ciertos factores exógenos como las condiciones climáticas, el precio de la electricidad complican la tarea utilizando modelos de regresión lineal que se están volviendo inadecuados. La búsqueda de un predictor robusto sería un activo invaluable para las compañías eléctricas. Para superar esta dificultad, la Inteligencia Artificial se diferencia de estos métodos de predicción a través de los algoritmos de Machine Learning que han estado funcionando durante las últimas décadas en la predicción de series temporales en varios niveles. Este trabajo propone el despliegue de tres modelos univariados de Machine Learning: Support Vector Regression, Multi-Layer Perceptron y Long Short-Term Memory Recurrent Neural Network para predecir la producción de electricidad de Benin Electricity Community. Para validar el rendimiento de estos diferentes métodos, frente al modelo de Media Móvil Integrada Autoregresiva y Regresión Múltiple, se utilizaron métricas de rendimiento. En general, los resultados muestran que los modelos de Machine Learning superan a los métodos de regresión lineal. En consecuencia, los métodos de aprendizaje automático ofrecen una perspectiva para la previsión de generación de energía eléctrica a corto plazo de las fuentes de la Comunidad Eléctrica de Benín.Files
67.pdf
Files
(963.1 kB)
| Name | Size | Download all |
|---|---|---|
|
md5:f4e0cbe83ec1222712a43050b1b557ba
|
963.1 kB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- التنبؤ بتوليد الكهرباء على المدى القصير باستخدام خوارزميات التعلم الآلي: دراسة حالة لمجتمع الكهرباء في بنين (CEB)
- Translated title (French)
- Prévision de la production d'électricité à court terme à l'aide d'algorithmes d'apprentissage automatique : une étude de cas de la communauté béninoise de l'électricité (C.E.B)
- Translated title (Spanish)
- Pronóstico de generación de electricidad a corto plazo utilizando algoritmos de aprendizaje automático: un estudio de caso de la Comunidad Eléctrica de Benín (C.E.B)
Identifiers
- Other
- https://openalex.org/W3173084972
- DOI
- 10.52825/thwildauensp.v1i.25
References
- https://openalex.org/W2123007178
- https://openalex.org/W2123410355
- https://openalex.org/W2151767444
- https://openalex.org/W2188186213
- https://openalex.org/W2345122339
- https://openalex.org/W2888345420
- https://openalex.org/W2999712306
- https://openalex.org/W3024990888
- https://openalex.org/W3040069140