BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN KHOA HỌC VÀ CÔNG NGHỆ

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  19,259,165
  • Công bố khoa học và công nghệ Việt Nam

Kỹ thuật điện và điện tử

Nguyễn Thị Hoài Thu, Phạm Năng Văn, Ngô Văn Khánh

Dự báo ngắn hạn phụ tải điện Hà Nội dựa trên mô hình máy học cực trị

Short-term forecasting of electrical load demand in Hanoi based on extreme learning machine model

Tạp chí Khoa học và Công nghệ - Đại học Thái Nguyên

2024

06

220 - 229

1859-2171

Dự báo ngắn hạn, Dự báo phụ tải, Máy học cực trị, Máy học, Mạng nơ-ron truyền thẳng một lớp ẩn

Short-term forecasting, Load forecasting, Extreme Learning Machine, Machine Learning, Single-hidden-layer feedforward neural networks

Việc dự báo chính xác phụ tải điện là một yếu tố quan trọng để các kĩ sư vận hành lưới điện đưa ra các quyết định chính xác về sản xuất, truyền tải và phân phối điện. Trong nghiên cứu này, một mô hình máy học cực (Extreme Learning Machine) đã được đề xuất và so sánh với bốn mô hình học máy khác bao gồm mạng thần kinh nhân tạo (Artificial Neural Networks), mạng nơron tích chập (Convolutional Neural Networks), bộ nhớ dài-ngắn hạn (Long Short-Term Memory) và nút hồi tiếp có cổng (Gated Recurrent Unit). Bộ dữ liệu được sử dụng để đánh giá các mô hình được lấy từ dữ liệu phụ tải điện tại thành phố Hà Nội, Việt Nam. Trước khi được sử dụng, dữ liệu được tiền xử lý qua các bước bao gồm việc loại bỏ các giá trị nhiều và bổ sung các giá trị còn thiếu, nhằm tối ưu hóa khả năng tính toán của các mô hình. Theo kết quả nghiên cứu, mô hình đề xuất có hiệu suất vượt trội khi so sánh với 4 mô hình còn lại với giá trị sai số nhỏ nhất. Những kết quả này đã chứng minh tính hiệu quả của mô hình, khiến nó trở thành một lựa chọn tốt để dự báo phụ tải ngắn hạn.

Accurate forecasting of the electrical load is a critical element for grid operators to make well-informed decisions concerning electricity generation, transmission, and distribution. In this study, an Extreme Learning Machine (ELM) model was proposed and compared with four other machine learning models including Artificial Neural Networks (ANN), Convolutional Neural Networks (CNN), Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU). The dataset utilized for evaluating machine learning models were procured f-rom the statistical analysis of the electrical load in the city of Hanoi, Vietnam. Prior to its utilization, the dataset underwent preprocessing procedures involving the removal of outliers and handling of missing values, thereby enhancing the computational efficiency of the models. According to the study results, the proposed model has superior performance when compared with the other four models, achieving the lowest error value. These outcomes substantiate the efficacy of the model, making it a good option for short-term load forecasting.

TTKHCNQG, CTv 178

Xem toàn văn