Vol. 19 Núm. 39 (2023)

Artículos

Impulsando la eficiencia y la sostenibilidad: previsión de carga basada en aprendizaje profundo a nivel de subestación

Publicado 03-07-2023

  • Wellcome Peujio Jiotsop Foze
    • ,
  • Adrian Hernandez-del-Valle
    • ,
  • Francis Magloire Peujio Fozap

Wellcome Peujio Jiotsop Foze
Instituto Politécnico Nacional image/svg+xml

Adrian Hernandez-del-Valle
Instituto Politécnico Nacional image/svg+xml

Francis Magloire Peujio Fozap
Universidad de Monterrey image/svg+xml

Resumen

Este artículo presenta una investigación sobre la eficacia de las redes neuronales de memoria a corto plazo (LSTM) para predecir la carga eléctrica a nivel de subestación. La predicción de la carga eléctrica es una tarea difícil debido a la naturaleza estocástica de los datos de series temporales, que crea ruido y reduce la precisión de la predicción. Para abordar este problema, proponemos
un modelo de aprendizaje profundo basado en redes neuronales recurrentes LSTM, que evaluamos utilizando un conjunto de datos de 30 minutos disponible públicamente de mediciones de potencia real de subestaciones de zonas individuales en el área de suministro Ausgrid3. Nuestro modelo LSTM propuesto con 2 capas ocultas y 50 neuronas supera a las configuraciones alternativas, logrando un error medio absoluto (MAE) de 0,0050 en tareas de previsión de carga a corto plazo para subestaciones. Los resultados sugieren que el modelo LSTM propuesto es una herramienta prometedora para la previsión precisa de la carga eléctrica, que puede aplicarse a otras subestaciones de todo el mundo para mejorar la eficiencia energética y reducir el riesgo de cortes de suministro. Este artículo contribuye al debate en curso sobre el desarrollo de modelos fiables de previsión de la carga eléctrica, proporcionando información valiosa tanto para investigadores como para profesionales del sector

Palabras clave

Array, Array, Array, Array, Array, Array

PDF (inglés)

Referencias

  1. Abdullah, A. M.; S. MD.; M. Naeem; S. H. MD.; R. D. Debopriya, & H. Eklas (2020).
  2. A Comprehensive Review of the Load Forecasting Techniques Using Single
  3. and Hybrid Predictive Models. IEEE Access, 8, 134911-134939. doi:10.1109/ACCESS.
  4. 2020.3010702.
  5. Alhmoud, L.; K. R. Abu; A. Al-Zoubi, & I. A. Aljarah (2021). Real-Time Electrical
  6. Load Forecasting in Jordan Using an Enhanced Evolutionary Feedforward Neural
  7. Network. Sensors (Basel), 21(10:6240). doi:doi: 10.3390/s21186240.
  8. Ashraful, H., & R. Saifur (2022). Short-term electrical load forecasting through heuristic
  9. configuration of regularized deep neural network. Applied Soft Computing,
  10. 122, 1568-4946. doi:https://doi.org/10.1016/j.asoc.2022.108877.
  11. Cai, C.; T. Yuan; Z. Tianqi, & D. Zhixiang (2021). Short-Term Load Forecasting
  12. Based on Deep Learning Bidirectional LSTM Neural Network. Applied Sciences,
  13. 11(17). doi:https://doi.org/10.3390/app11178129.
  14. Hochreiter, S., & J. Schmidhuber (1997). Long Short-Term Memory. MIT Press, 9(8).
  15. doi:10.1162/neco.1997.9.8.1735.
  16. Mir, A. A.; A. Mohammed; U. Kafait; A. K. Zafar; L. Yuehong, & I. Muhammad,
  17. (2020). A Review of Electricity Demand Forecasting in Low and Middle Income
  18. Countries: The Demand Determinants and Horizons. Sustainability , 12(15:5931).
  19. doi:https://doi.org/10.3390/su12155931.
  20. Nada, M.; Hamid, O., & J. Ismael (2023). Short-term electric load forecasting using
  21. an EMD-BI-LSTM approach for smart grid energy management system. Energy
  22. and Buildings, 288. doi:doi.org/10.1016/j.enbuild.2023.113022.
  23. Pełka, P. (2023). Analysis and Forecasting of Monthly Electricity Demand Time
  24. Series Using Pattern-Based Statistical Methods. Energies, 16(2). doi:https://doi.
  25. org/10.3390/en16020827.
  26. Yaoyao, H.; X. Jingling; A. Xueli; C. Chaojin, & X. Jian (2022). Short-term power
  27. load probability density forecasting based on GLRQ-Stacking ensemble learning
  28. method. International Journal of Electrical Power & Energy Systems, 142. doi:https://
  29. doi.org/10.1016/j.ijepes.2022.108243