Interval Load Forecasting for Individual Households in the Presence of Electric Vehicle Charging

要約

従来の内燃機関に代わる電気自動車（EV）への移行は、社会的な電力需要を増大させています。発電と配電の信頼性を維持するためには、EV充電による追加需要を電力需要予測に統合できることが重要です。負荷予測研究では、一般的に家庭でEV充電を行う世帯を除外し、オフィスや学校、公共の充電ステーションに焦点をあてています。さらに、これらの研究は、予測の不確実性に関する情報を提供しないポイント予測を提供しています。そこで、本論文では、EV充電がある家庭の負荷予測のために、長短期記憶ベイジアンニューラルネットワーク（LSTM-BNNs）を提案する。このアプローチは、時間依存性を捉えるためにLSTMモデルを利用し、予測区間を生成するためにベイズ推論を用いたドロップアウト層を利用する。その結果、提案するLSTM-BNNは、予測区間の利点により、ポイント予測に近い精度を達成することがわかった。さらに、COVID-19のパンデミックに関連するロックダウンが負荷予測モデルに与える影響を調べたところ、解析の結果、考慮した世帯では、EV充電のランダム性がパンデミックによる変化を上回り、モデル性能に大きな変化はないことがわかった。

要約(オリジナル)

The transition to Electric Vehicles (EV) in place of traditional internal combustion engines is increasing societal demand for electricity. The ability to integrate the additional demand from EV charging into forecasting electricity demand is critical for maintaining the reliability of electricity generation and distribution. Load forecasting studies typically exclude households with home EV charging, focusing on offices, schools, and public charging stations. Moreover, they provide point forecasts which do not offer information about prediction uncertainty. Consequently, this paper proposes the Long Short-Term Memory Bayesian Neural Networks (LSTM-BNNs) for household load forecasting in presence of EV charging. The approach takes advantage of the LSTM model to capture the time dependencies and uses the dropout layer with Bayesian inference to generate prediction intervals. Results show that the proposed LSTM-BNNs achieve accuracy similar to point forecasts with the advantage of prediction intervals. Moreover, the impact of lockdowns related to the COVID-19 pandemic on the load forecasting model is examined, and the analysis shows that there is no major change in the model performance as, for the considered households, the randomness of the EV charging outweighs the change due to pandemic.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL