Improved modelling of electric loads for enabling demand response by applying physical and data-driven models: Project Response

Koponen, Pekka; Hänninen, Seppo; Mutanen, Antti; Koskela, Juha; Rautiainen, Antti; Järventausta, Pertti; Niska, Harri; Kolehmainen, Mikko; Koivisto, Hannu

doi:10.1109/energycon.2018.8398794

Cited by 5 publications

(2 citation statements)

References 13 publications

Supporting

Mentioning

Contrasting

Order By: Relevance

“…Kampelis et al [14] used the genetic algorithms and neural networks to evaluate day-ahead load shifting techniques. Koponen et al [15] presented physical-and data-driven models for Demand Response. Their work presented a very useful comparison of a support vector machine and a multi-layer perceptron for power forecasting.…”

Section: Introductionmentioning

confidence: 99%

Minutely Active Power Forecasting Models Using Neural Networks

2020

View full text Add to dashboard Cite

Power forecasting is an integral part of the Demand Response design philosophy for power systems, enabling utility companies to understand the electricity consumption patterns of their customers and adjust price signals accordingly, in order to handle load demand more effectively. Since there is an increasing interest in real-time automation and more flexible Demand Response programs that monitor changes in the residential load profiles and reflect them according to changes in energy pricing schemes, high granularity time series forecasting is at the forefront of energy and artificial intelligence research, aimed at developing machine learning models that can produce accurate time series predictions. In this study we compared the baseline performance and structure of different types of neural networks on residential energy data by formulating a suitable supervised learning problem, based on real world data. After training and testing long short-term memory (LSTM) network variants, a convolutional neural network (CNN), and a multi-layer perceptron (MLP), we observed that the latter performed better on the given problem, yielding the lowest mean absolute error and achieving the fastest training time.

show abstract

Section: Introductionmentioning

confidence: 99%

Minutely Active Power Forecasting Models Using Neural Networks

2020

View full text Add to dashboard Cite

show abstract

“…Kampelis et al [146] used the genetic algorithms and neural networks to evaluate day-ahead load shifting techniques. Koponen et al [147] presented physical-and data-driven models for Demand Response. Their work presented a very useful comparison of a support vector machine and a multi-layer perceptron for power forecasting.…”

Section: Introduction To Minutely Active Power Forecasting Models Usi...mentioning

confidence: 99%

Design strategies towards the enhancement of short-term forecasting in the energy sector

Κοντογιάννης¹

View full text Add to dashboard Cite

Οι διεργασίες βραχυπρόθεσμης πρόβλεψης αποτελούν αναπόσπαστο κομμάτι της ανάλυσης δεδομένων στον τομέα της ενέργειας καθώς η ενσωμάτωσή τους σε προγράμματα ανταπόκρισης ζήτησης, συστήματα διαχείρισης ενέργειας, ευφυή δίκτυα ενέργειας και σε εφαρμογές ενεργειακών αγορών είναι πολύτιμη για την εξέταση πολύπλοκων και ευμετάβλητων χρονοσειρών όπως των μεταβλητών φορτίου και της τιμής ηλεκτρικής ενέργειας. Τα βραχυπρόθεσμα μοντέλα πρόβλεψης φορτίου προσφέρουν πολύτιμες πληροφορίες σχετικά με τα πρότυπα κατανάλωσης μέσω του ελέγχου παραγόντων επιρροής και εισάγουν ευφυείς τρόπους παρακολούθησης της ζήτησης ηλεκτρικής ενέργειας καθώς και της εμφάνισης ακανόνιστων γεγονότων, προκειμένου να βελτιώσουν τις διαδικασίες λήψης αποφάσεων των υπηρεσιών ηλεκτρισμού κοινής ωφέλειας και να ενισχύσουν τη σταθερότητα του δικτύου αντιστοίχως. Τα βραχυπρόθεσμα μοντέλα πρόβλεψης τιμών ηλεκτρικής ενέργειας αντιμετωπίζουν την πρόκληση της αστάθειας των τιμών και συμβάλλουν στην ανάπτυξη ισχυρών στρατηγικών για την αποτελεσματική διαχείριση των ενεργειακών πόρων και τη βελτιστοποίηση ενεργειακών συναλλαγών για όλα τα μέλη των ενεργειακών αγορών και για τους καταναλωτές. Είναι προφανές ότι οι μέθοδοι που εστιάζουν στις χρονοσειρές φορτίου και τιμών ηλεκτρικής ενέργειας ακολουθούν παρόμοια δομή, συμπεριλαμβάνοντας στοιχεία προεπεξεργασίας, πρόβλεψης και εξόδου για την εκτίμηση των μεταβλητών-στόχων μετά τη συλλογή δεδομένων. Επομένως, αυτή η διατριβή αναγνωρίζει την κοινή και επικαλυπτόμενη δομή αυτών των διεργασιών πρόβλεψης και απευθύνεται στην αντιμετώπιση εμφανών προκλήσεων και ερευνητικών κενών που σχετίζονται με κάθε δομικό στοιχείο μέσω της ανάπτυξης βέλτιστων στρατηγικών σχεδιασμού που βελτιώνουν τη συνολική απόδοση των μοντέλων. Η μελέτη του δομικού στοιχείου προεπεξεργασίας οδήγησε στην αξιολόγηση της ισχυρής επιλογής χαρακτηριστικών και ανέδειξε το ρόλο της παραγωγής κανόνων για την αποτελεσματική εξέταση των υπό μελέτη περιβαλλόντων. Καθώς εξέχουσες προκλήσεις στην προεπεξεργασία δεδομένων συνδέονται με τις διαστάσεις των συνόλων δεδομένων και την ερμηνευσιμότητα των χαρακτηριστικών, προτάθηκε μία μέθοδος για τη δημιουργία ενός συμπαγούς και ερμηνεύσιμου συνόλου κανόνων μέσω υβριδικής επιλογής χαρακτηριστικών. Επιπροσθέτως, η μελέτη του δομικού στοιχείου που αποτελεί το κύριο πλαίσιο πρόβλεψης εμφάνισε προκλήσεις που σχετίζονται με τις αυτόνομες, συνδυαστικές και μετα-μοντελοποιητικές φιλοσοφίες σχεδιασμού. Στην αυτόνομη μοντελοποίηση, η αβεβαιότητα που περιβάλλει την επιλογή εκτιμητών λόγω της ανεπαρκούς εξερεύνησης ακραίων περιπτώσεων συχνά παρεμποδίζει την πρόοδο της έρευνας και οδηγεί σε σύγχυση που σχετίζεται με τη συμπεριφορά εκπαίδευσης. Συνεπώς, μία συγκριτική μελέτη που εξετάζει την απόδοση αναφοράς των μεθοδολογιών νευρωνικών δικτύων για προβλέψεις υψηλής ανάλυσης αναφέρεται σε μία από τις ακραίες περιπτώσεις όπου η συνοπτικότητα της διαδικασίας εκπαίδευσης και οι χρονικοί περιορισμοί θα μπορούσαν να προκαλέσουν αυτή την αβεβαιότητα. Στη συνδυαστική μοντελοποίηση, η αβεβαιότητα της επιλογής των εκτιμητών-μελών για μεθόδους συνόλου σε συνδυασμό με τις προκλήσεις αποκλίνουσας αντίληψης μοντέλου και απόκλισης δεδομένων θα μπορούσαν να οδηγήσουν σε αυθαίρετες σχεδιαστικές αποφάσεις και ανεπαρκείς συνδυασμούς μοντέλων. Κατά συνέπεια, προτάθηκε μία νέα στρατηγική σχεδιασμού που επικεντρώνεται στην ντετερμινιστική επιλογή των μελών του εκτιμητή με βάση τα δομικά χαρακτηριστικά των δεικτών κορύφωσης και μη-κορύφωσης ώστε να δημιουργηθούν αποδοτικά μοντέλα μάθησης συνόλου. Επίσης, η εξέταση των προσεγγίσεων μετα-μοντελοποίησης ανέδειξε τα οφέλη απόδοσης που προκύπτουν από τη χρήση περισσότερων επιπέδων πρόβλεψης και οδήγησε στην εισαγωγή μίας προσέγγισης πρόβλεψης που υπολόγιζε την κατανάλωση φορτίου μέσω της επισκόπησης της ομοιότητας και της αιτιότητας για τη δημιουργία εναλλακτικών αναπαραστάσεων χρονοσειρών. Αυτή η προσέγγιση βελτίωσε τις μετρήσεις σφάλματος σε σύγκριση με το βασικό μοντέλο συνόλου LSTM, υποδηλώνοντας την επίδραση των παραγόντων κοινότητας όταν η ποιότητα του συνόλου δεδομένων εισόδου απέχει αρκετά από την ιδανική. Τέλος, ακολουθώντας αυτή τη μέθοδο της εκ των υστέρων σχεδίασης, κατά τη μελέτη του δομικού στοιχείου εξόδου εντοπίστηκε η ανάγκη για βελτίωση απόδοσης μέσω πρόσθετων δομών που εκτιμούν και ελαχιστοποιούν τις τιμές σφάλματος για την αυξημένη σταθερότητα και βελτιωμένη ακρίβεια του μοντέλου. Σε αυτό το πεδίο, αναπτύχθηκε ένα δομικό στοιχείο αντιστάθμισης σφαλμάτων για τη βελτίωση της απόδοσης μίας δομής βαθιάς μάθησης για τη βραχυπρόθεσμη πρόβλεψη τιμών ηλεκτρικής ενέργειας. Αυτή η προσέγγιση εισήγαγε ένα αυτοπαλινδρομικό μοντέλο για την εκτίμηση του υπολειπόμενου σφάλματος εκπαίδευσης, οδηγώντας σε πιο συνεπείς προβλέψεις και σε συνολικά χαμηλότερες μετρήσεις σφάλματος μετά από δοκιμές σε διαφορετικά σενάρια εκπαίδευσης. Επιπροσθέτως, αυτή η μέθοδος εξέτασε την πιθανή προσθήκη υπερπαραμέτρων για τη διαμόρφωση του στοιχείου αντιστάθμισης σφαλμάτων σε μελλοντικές εφαρμογές και μοντέλα αναφοράς. Η επέκταση των στρατηγικών που παρουσιάζονται σε αυτή τη διατριβή θα μπορούσε να επιτρέψει την ανάπτυξη πιο ευέλικτων και ευπροσάρμοστων διεργασιών πρόβλεψης που θα ενίσχυαν τις δυνατότητες μελλοντικών ενεργειακών εφαρμογών.

show abstract