Published May 3, 2020
| Version v1
Publication
Open
A Novel Accurate and Fast Converging Deep Learning-Based Model for Electrical Energy Consumption Forecasting in a Smart Grid
Creators
- 1. COMSATS University Islamabad
- 2. University of Engineering and Technology Peshawar
- 3. University of Engineering and Technology Lahore
- 4. King Saud University
Description
Energy consumption forecasting is of prime importance for the restructured environment of energy management in the electricity market. Accurate energy consumption forecasting is essential for efficient energy management in the smart grid (SG); however, the energy consumption pattern is non-linear with a high level of uncertainty and volatility. Forecasting such complex patterns requires accurate and fast forecasting models. In this paper, a novel hybrid electrical energy consumption forecasting model is proposed based on a deep learning model known as factored conditional restricted Boltzmann machine (FCRBM). The deep learning-based FCRBM model uses a rectified linear unit (ReLU) activation function and a multivariate autoregressive technique for the network training. The proposed model predicts future electrical energy consumption for efficient energy management in the SG. The proposed model is a novel hybrid model comprising four modules: (i) data processing and features selection module, (ii) deep learning-based FCRBM forecasting module, (iii) genetic wind driven optimization (GWDO) algorithm-based optimization module, and (iv) utilization module. The proposed hybrid model, called FS-FCRBM-GWDO, is tested and evaluated on real power grid data of USA in terms of four performance metrics: mean absolute percentage deviation (MAPD), variance, correlation coefficient, and convergence rate. Simulation results validate that the proposed hybrid FS-FCRBM-GWDO model has superior performance than existing models such as accurate fast converging short-term load forecasting (AFC-STLF) model, mutual information-modified enhanced differential evolution algorithm-artificial neural network (MI-mEDE-ANN)-based model, features selection-ANN (FS-ANN)-based model, and Bi-level model, in terms of forecast accuracy and convergence rate.
Translated Descriptions
⚠️
This is an automatic machine translation with an accuracy of 90-95%
Translated Description (Arabic)
يعد التنبؤ باستهلاك الطاقة ذا أهمية قصوى للبيئة المعاد هيكلتها لإدارة الطاقة في سوق الكهرباء. يعد التنبؤ الدقيق باستهلاك الطاقة أمرًا ضروريًا لإدارة الطاقة بكفاءة في الشبكة الذكية (SG) ؛ ومع ذلك، فإن نمط استهلاك الطاقة غير خطي مع مستوى عالٍ من عدم اليقين والتقلب. يتطلب التنبؤ بهذه الأنماط المعقدة نماذج تنبؤ دقيقة وسريعة. في هذه الورقة، يُقترح نموذج جديد للتنبؤ باستهلاك الطاقة الكهربائية الهجينة بناءً على نموذج التعلم العميق المعروف باسم آلة بولتزمان المشروطة المقيدة (FCRBM). يستخدم نموذج FCRBM القائم على التعلم العميق وظيفة تنشيط الوحدة الخطية المصححة (ReLU) وتقنية الانحدار التلقائي متعددة المتغيرات لتدريب الشبكة. يتنبأ النموذج المقترح باستهلاك الطاقة الكهربائية في المستقبل لإدارة الطاقة بكفاءة في SG. النموذج المقترح هو نموذج هجين جديد يتكون من أربع وحدات: (1) وحدة معالجة البيانات واختيار الميزات، (2) وحدة التنبؤ FCRBM القائمة على التعلم العميق، (3) وحدة التحسين القائمة على خوارزمية التحسين القائم على الرياح الوراثية (GWDO)، و (4) وحدة الاستخدام. يتم اختبار النموذج الهجين المقترح، المسمى FS - FCRBM - GWDO، وتقييمه على بيانات شبكة الطاقة الحقيقية للولايات المتحدة الأمريكية من حيث أربعة مقاييس للأداء: متوسط النسبة المئوية للانحراف المطلق (MAPD)، والتباين، ومعامل الارتباط، ومعدل التقارب. تتحقق نتائج المحاكاة من أن نموذج FS - FCRBM - GWDO الهجين المقترح يتمتع بأداء متفوق على النماذج الحالية مثل نموذج التنبؤ بالحمل قصير الأجل المتقارب بسرعة (AFC - STLF)، والنموذج القائم على خوارزمية التطور التفاضلي المحسن المعدل بالمعلومات المتبادلة (MI - MEDE - ANN)، والنموذج القائم على تحديد الميزات - ANN (FS - ANN)، والنموذج ثنائي المستوى، من حيث دقة التنبؤ ومعدل التقارب.Translated Description (French)
Les prévisions de consommation d'énergie sont d'une importance primordiale pour l'environnement restructuré de la gestion de l'énergie sur le marché de l'électricité. Des prévisions précises de la consommation d'énergie sont essentielles pour une gestion efficace de l'énergie dans le réseau intelligent (SG) ; cependant, le modèle de consommation d'énergie est non linéaire avec un niveau élevé d'incertitude et de volatilité. La prévision de ces modèles complexes nécessite des modèles de prévision précis et rapides. Dans cet article, un nouveau modèle hybride de prévision de la consommation d'énergie électrique est proposé basé sur un modèle d'apprentissage profond connu sous le nom de machine de Boltzmann conditionnelle restreinte factorisée (FCRBM). Le modèle FCRBM basé sur l'apprentissage profond utilise une fonction d'activation d'unité linéaire rectifiée (ReLU) et une technique autorégressive multivariée pour l'entraînement en réseau. Le modèle proposé prédit la consommation d'énergie électrique future pour une gestion efficace de l'énergie dans le SG. Le modèle proposé est un nouveau modèle hybride comprenant quatre modules : (i) le module de traitement de données et de sélection de caractéristiques, (ii) le module de prévision FCRBM basé sur l'apprentissage profond, (iii) le module d'optimisation basé sur l'algorithme d'optimisation génétique induite par le vent (GWDO) et (iv) le module d'utilisation. Le modèle hybride proposé, appelé FS-FCRBM-GWDO, est testé et évalué sur les données réelles du réseau électrique des États-Unis en termes de quatre paramètres de performance : écart en pourcentage absolu moyen (MAPD), variance, coefficient de corrélation et taux de convergence. Les résultats de la simulation valident que le modèle hybride FS-FCRBM-GWDO proposé a des performances supérieures à celles des modèles existants tels que le modèle de prévision de charge à court terme à convergence rapide (AFC-STLF), le modèle basé sur l'algorithme d'évolution différentielle amélioré modifié par des informations mutuelles et basé sur le réseau neuronal artificiel (MI-mEDE-ANN), le modèle basé sur la sélection-ANN (FS-ANN) et le modèle à deux niveaux, en termes de précision de prévision et de taux de convergence.Translated Description (Spanish)
La previsión del consumo de energía es de primordial importancia para el entorno reestructurado de la gestión de la energía en el mercado eléctrico. La previsión precisa del consumo de energía es esencial para una gestión eficiente de la energía en la red inteligente (SG); sin embargo, el patrón de consumo de energía no es lineal con un alto nivel de incertidumbre y volatilidad. Predecir patrones tan complejos requiere modelos de pronóstico precisos y rápidos. En este documento, se propone un nuevo modelo híbrido de pronóstico del consumo de energía eléctrica basado en un modelo de aprendizaje profundo conocido como máquina de Boltzmann restringida condicional factorizada (FCRBM). El modelo FCRBM basado en el aprendizaje profundo utiliza una función de activación de unidad lineal rectificada (ReLU) y una técnica autorregresiva multivariante para el entrenamiento en red. El modelo propuesto predice el consumo futuro de energía eléctrica para una gestión eficiente de la energía en el SG. El modelo propuesto es un modelo híbrido novedoso que comprende cuatro módulos: (i) módulo de procesamiento de datos y selección de características, (ii) módulo de pronóstico FCRBM basado en aprendizaje profundo, (iii) módulo de optimización basada en algoritmos de optimización genética impulsada por el viento (GWDO) y (iv) módulo de utilización. El modelo híbrido propuesto, llamado FS-FCRBM-GWDO, se prueba y evalúa en datos reales de la red eléctrica de EE. UU. en términos de cuatro métricas de rendimiento: desviación porcentual absoluta media (MAPD), varianza, coeficiente de correlación y tasa de convergencia. Los resultados de la simulación validan que el modelo híbrido FS-FCRBM-GWDO propuesto tiene un rendimiento superior al de los modelos existentes, como el modelo preciso de pronóstico de carga a corto plazo de convergencia rápida (AFC-STLF), el modelo basado en el algoritmo de evolución diferencial mejorada modificado por información mutua y la red neuronal artificial (MI-mEDE-ANN), el modelo basado en la selección de características-ANN (FS-ANN) y el modelo bi-nivel, en términos de precisión de pronóstico y tasa de convergencia.Files
pdf.pdf
Files
(2.2 MB)
| Name | Size | Download all |
|---|---|---|
|
md5:bbecc0df478d546923076feda0cee6fa
|
2.2 MB | Preview Download |
Additional details
Additional titles
- Translated title (Arabic)
- نموذج جديد ودقيق وسريع قائم على التعلم العميق للتنبؤ باستهلاك الطاقة الكهربائية في شبكة ذكية
- Translated title (French)
- Un nouveau modèle basé sur l'apprentissage profond et convergent rapide pour la prévision de la consommation d'énergie électrique dans un réseau intelligent
- Translated title (Spanish)
- Un nuevo modelo preciso y convergente basado en el aprendizaje profundo para la previsión del consumo de energía eléctrica en una red inteligente
Identifiers
- Other
- https://openalex.org/W3023969710
- DOI
- 10.3390/en13092244
References
- https://openalex.org/W1845345803
- https://openalex.org/W1973909729
- https://openalex.org/W1975455363
- https://openalex.org/W1980067289
- https://openalex.org/W1982147649
- https://openalex.org/W1985815014
- https://openalex.org/W2001165499
- https://openalex.org/W2005747371
- https://openalex.org/W2005898567
- https://openalex.org/W2008406084
- https://openalex.org/W2017561014
- https://openalex.org/W2023645751
- https://openalex.org/W2026508613
- https://openalex.org/W2026854676
- https://openalex.org/W2035525938
- https://openalex.org/W2040367232
- https://openalex.org/W2051795269
- https://openalex.org/W2070291412
- https://openalex.org/W2094256195
- https://openalex.org/W2094626574
- https://openalex.org/W2105710559
- https://openalex.org/W2113890143
- https://openalex.org/W2116811583
- https://openalex.org/W2117665539
- https://openalex.org/W2154053567
- https://openalex.org/W2156483112
- https://openalex.org/W2166651278
- https://openalex.org/W2171375535
- https://openalex.org/W2267586429
- https://openalex.org/W2295959395
- https://openalex.org/W2342107842
- https://openalex.org/W2345122339
- https://openalex.org/W2510931397
- https://openalex.org/W2559879705
- https://openalex.org/W2591025119
- https://openalex.org/W2591426394
- https://openalex.org/W2601171548
- https://openalex.org/W2614198276
- https://openalex.org/W2736391747
- https://openalex.org/W2763926615
- https://openalex.org/W2764791077
- https://openalex.org/W2883971393
- https://openalex.org/W2890778288
- https://openalex.org/W2907286062
- https://openalex.org/W2965068690
- https://openalex.org/W3015607250
- https://openalex.org/W3018788689
- https://openalex.org/W3027972301
- https://openalex.org/W4236876307
- https://openalex.org/W4243106509