MÔ HÌNH KẾT HỢP HHO-GCN-LSTM ỨNG DỤNG TRONG DỰ BÁO ĐỒ THỊ PHỤ TẢI CHO LƯỚI ĐIỆN NHỎ

0 Người đánh giá. Xếp hạng trung bình 0

Tác giả: Ngọc Hùng Dương, Minh Tâm Nguyễn, Thanh Hoan Nguyễn, Tùng Linh Nguyễn

Ngôn ngữ: vie

Ký hiệu phân loại:

Thông tin xuất bản: Tạp chí Khoa học & Công nghệ - Trường Đại học Công nghiệp Hà Nội, 2022

Mô tả vật lý: tr.8

Bộ sưu tập: Báo, Tạp chí

ID: 337961

Thêm vào giỏ Liên kết toàn văn

Dự báo biểu đồ phụ tải điện được quan tâm nhiều trong quản ly năng lượng của microgrid (MG). Nhucầu trong việc xác định biểu đồ phụ tải chính xác trong ngắn hạn là đặc biệt quan trọng để quả lý điện nănghiệu quả cho MG. Bài báo này đề xuất một phương pháp mới để dự báo phụ tải ngắn hạn (STLF). Phươngpháp này sử dụng chuỗi dự liệu phụ tải và nhiệt độ theo thời gian được cung cấp cho mô hình dựa trên Môhình Mạng đồ thị tích chập (GCN) để kết hợp đặc tính của các dữ liệu ngõ vào, ngõ ra được đưa vào tính toáncho mạng LSTM tương ứng để dự báo đồ thị phụ tải hàng giờ trong tương lai. Nhằm đánh giá độ chính xáccủa mô hình dự báo, nghiên cứu này sử dụng Thuật toán tối ưu hóa HHO để đưa vào tính toán cho mạngGCN-LSTM. Để so sánh kết quả của mô hình với các mô hình dự báo khác, chúng tôi thực hiện với tập dữ liệuphụ tải của một mô hình MG thuộc lướ điện TP Hồ CHí Minh. Mô hình dự báo được so sánh với các mô hìnhdự báo trước đây. Kết quả cho thấy rằng mô hình được đề xuất trong nghiên cứu này có kết quả vượt trội sovới các mô hình dựa trên học sâu khác về sai sô bình phương trung bình gốc (RMSE) và sai số phần trămtuyệt đối trung bình (MAPE).Power load graph forecasting is of great interest in microgrid (MG) energy management. The need foraccurate short-term load charting is particularly important for efficient power management for MG. Thispaper proposes a new method for short-term load forecasting (STLF). This method uses the time series oftemperature and load data provided to the model based on the Graph Convolutional Network (GCN) modelto combine the characterization of the input and output data given into the calculation for thecorresponding LSTM network to forecast the hourly load graph in the future. In order to evaluate theaccuracy of the prediction model, this study used the HHO optimization algorithm to calculate the GCNLSTM network. To compare the results of the model with other forecasting models, we work with the loaddata set of an MG model belonging to the Ho Chi Minh City power grid. The forecast model is compared withprevious forecasting models. The results show that our proposed model has superior results compared toother deep learning-based models in terms of root mean square error (RMSE) and mean absolutepercentage error (MAPE).

1. Đọc trực tuyến

1. Đọc trực tuyến

Tạo bộ sưu tập với mã QR