AI-Powered Predictions for Electricity Load in Prosumer Communities

要約

再生可能エネルギー源やエネルギー貯蔵施設（別名プロシューマー）を含む住宅のコミュニティにおける電力消費と生産の柔軟性は、短期需要応答メカニズムの進歩を通じて効果的に活用できます。
デマンドレスポンスが消費者のコミュニティレベルで実行される場合、集約されたグループが電力消費をより適切に調整できるため、柔軟性がさらに向上することが知られています。
ただし、このような短期的な最適化の有効性は、各建物とコミュニティ全体の両方の電力負荷予測の精度に大きく依存します。
電力負荷プロファイルの構造的変動は、ユーザーの行動だけでなく、気象条件、カレンダー情報、曜日などのさまざまな外因的要因に関連付けられている可能性があります。
このホワイトペーパーでは、消費者コミュニティにおける負荷消費の最適化に大きな支援を提供できる、幅広い電力負荷予測手法をレビューします。
私たちは、Facebook の Prophet モデルや Long Short-term Memory (LSTM) モデルなどのブラックボックス時系列モデルで動作する人工知能 (AI) を利用した短期負荷予測手法を提示し、テストします。
季節ベースの SARIMA モデルとスムージング Holt-Winters モデル。
ドメイン知識を利用した経験的回帰ベースのモデル。
天気予報をデータ駆動型の時系列予報に統合することもテストされています。
結果は、永続項と回帰項の組み合わせ (負荷予測タスクに適応) が最高の予測精度を達成することを示しています。

要約(オリジナル)

The flexibility in electricity consumption and production in communities of residential buildings, including those with renewable energy sources and energy storage (a.k.a., prosumers), can effectively be utilized through the advancement of short-term demand response mechanisms. It is known that flexibility can further be increased if demand response is performed at the level of communities of prosumers, since aggregated groups can better coordinate electricity consumption. However, the effectiveness of such short-term optimization is highly dependent on the accuracy of electricity load forecasts both for each building as well as for the whole community. Structural variations in the electricity load profile can be associated with different exogenous factors, such as weather conditions, calendar information and day of the week, as well as user behavior. In this paper, we review a wide range of electricity load forecasting techniques, that can provide significant assistance in optimizing load consumption in prosumer communities. We present and test artificial intelligence (AI) powered short-term load forecasting methodologies that operate with black-box time series models, such as Facebook’s Prophet and Long Short-term Memory (LSTM) models; season-based SARIMA and smoothing Holt-Winters models; and empirical regression-based models that utilize domain knowledge. The integration of weather forecasts into data-driven time series forecasts is also tested. Results show that the combination of persistent and regression terms (adapted to the load forecasting task) achieves the best forecast accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google