A generalised multi-factor deep learning electricity load forecasting model for wildfire-prone areas

要約

タイトル：野火が発生しやすい地域のための一般的な多因子深層学習電力需要予測モデル

要約：

– 本論文は、野火季節中の配電網での電力需要を予測するための一般的で堅牢な多因子ゲート付きリカレントユニット（GRU）ベースの深層学習モデルを提案している。
– この柔軟なモデリング手法はデータ入力構造、カレンダー効果、相関に基づく先行温度条件を考慮する。
– 提案された入力特徴選択と先行温度関係の使用により、瞬時温度の通常の使用と比較して平均絶対パーセント誤差（MAPE）が30.73％低下する。
– 提案されたモデルは、オーストラリア・ビクトリア州の8つの実際の配電網に一般化され、2015年から2020年の野火季節に適用された。GRUベースのモデルは、別の深層学習モデルである長期記憶（LSTM）を常に上回り、平均二乗誤差（MSE）およびMAPEで平均的に10.06％および12.86％の改善を実現することを示した。
– 訓練データセットの大規模な気候変動、例えばエルニーニョまたはラニーニャ年の感度を検討することにより、負荷予測パフォーマンスの安定性に対する可能な影響を理解することができた。
– 地域の貧困率や大規模なオフピーク電力使用など、その他の要因は、予測性能をさらに改善するための潜在的な因子となる。
– 提案手法は、平均予測MAPEが約3％であり、ビクトリア州の潜在的な年間エネルギー節約額は80.46百万オーストラリアドルに達する。

要約(オリジナル)

This paper proposes a generalised and robust multi-factor Gated Recurrent Unit (GRU) based Deep Learning (DL) model to forecast electricity load in distribution networks during wildfire seasons. The flexible modelling methods consider data input structure, calendar effects and correlation-based leading temperature conditions. Compared to the regular use of instantaneous temperature, the Mean Absolute Percentage Error (MAPE) is decreased by 30.73% by using the proposed input feature selection and leading temperature relationships. Our model is generalised and applied to eight real distribution networks in Victoria, Australia, during the wildfire seasons of 2015-2020. We demonstrate that the GRU-based model consistently outperforms another DL model, Long Short-Term Memory (LSTM), at every step, giving average improvements in Mean Squared Error (MSE) and MAPE of 10.06% and 12.86%, respectively. The sensitivity to large-scale climate variability in training data sets, e.g. El Ni\~no or La Ni\~na years, is considered to understand the possible consequences for load forecasting performance stability, showing minimal impact. Other factors such as regional poverty rate and large-scale off-peak electricity use are potential factors to further improve forecast performance. The proposed method achieves an average forecast MAPE of around 3%, giving a potential annual energy saving of AU\$80.46 million for the state of Victoria.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI