Electrical load forecasting using adaptive neuro-fuzzy inference system

Hashemifarzad, Ali GND

The importance of a precise load forecasting in energy system designing has been known since many years ago. To achieve an efficient, secure and economically optimal operation in an energy systems, it is necessary to analyze the power system operation in time and perform fast reactions to changes in electrical load. These are highly dependent on an accurate short-term load forecasting. One the other hand, the load prediction is also of great importance for energy suppliers, independent system operators, financial institutes and other parties involved in power generation, transmission, distribution and market. For the energy suppliers, a timely implementation of long-term load forecasting helps the system to improve the network stability and reduce the equipment failures and power outages and ensures a reliable energy supply. This dissertation have tried to propose a new approach toward the problem of load forecasting to provide more accurate results with a lesser error rate compared to the current methods. For this, a methodology based on the Chaos and Concept Drift theories is introduced, in which the Artificial Neuro Fuzzy Inference System (ANFIS) plays the main role in training and testing the model. After a short introduction on the chaos theory and nonlinear systems in the second chapter, the existence of chaos in the electrical load of the Clausthaler Umwelttechnik Forschungszentrum (CUTEC) in the year 2014 as the sample data is examined by three different methods. This chapter also deals with the concept drift as a kind of anomaly existence in time series, which can help to classify the input data based on the similarities and prepare them for a systematic feeding in the training process. The third chapter will briefly provide the basic information on electricity load prediction in general, introducing the classic and modern approaches toward the problem of load forecasting. Afterwards, the most common modern method, namely Artificial Neural Network (ANN) will be studied and the result of prediction based on a simple ANN will be presented. The fourth chapter describes a tool for analyzing the use of contextual information by fuzzy neural network. Here, the ANFIS model will be introduced and the results of weekly, monthly and seasonal electrical load prediction based on this model will be presented. The results show, that the Mean Absolute Percentage Error (as one of the main indices in load forecasting) in the ANFIS- based method is roughly 2,1% to 2,6 % which is the lowest reported rate in the similar studies with almost the same data sets and prediction horizon. Subsequently, a chapter will introduce a simulation model in MATrix Labratory (MATLAB) for a decentralized energy system with the case study of the Energy Park at CUTEC institute. This model includes different units such as combined heat and power generation units (CHP), Photovoltaics, Solar thermal panels, boiler and storage systems. The implemented model is validated with EnergyPro, a commercial energy analysis software, and the results from both models have been compared. Chapter six is dedicated to introducing the current energy system in Iran by providing information on the future development plans in renewable energies there and the transferability of the proposed model to Iran’s network system. Finally a chapter will review the methodology and results presented in this dissertation and an outline for the possible future works will be discussed.

Die Kenntnis über den zukünftigen Bedarf an elektrischer Energie spielt eine entscheidende Rolle bei der Gestaltung der Energiesysteme von der Erzeugung bis zu der Nutzung. Die Lastprognosen im Allgemeinen sind für die Energiewirtschaft und die Liberalisierung des Elektrizitätsmarkts von besonderer Bedeutung. Um einen effizienten, sicheren und wirtschaftlich optimalen Betrieb in einem Energiesystem zu erreichen, ist es notwendig, das Energiesystem und den dazugehörigen Strombedarf rechtzeitig zu analysieren und schnell auf Änderungen der elektrischen Last zu reagieren. Diese sind in hohem Maße von einer genauen kurzfristigen Lastprognose abhängig. Auf der anderen Seite ist die Lastvorhersage auch für die Energieversorger und andere an der Stromerzeugung, -übertragung, -verteilung und -marktbeteiligten bei der Planung und Strukturierung von großer Bedeutung. Eine zeitnahe Implementierung langfristiger Lastprognosen hilft dem System, die Netzwerkstabilität zu verbessern, die Ausfälle von Geräten und Stromausfällen zu reduzieren und eine zuverlässige Energieversorgung zu gewährleisten. Diese Dissertation versucht, einen neuen Ansatz für das Problem der Lastprognose vorzuschlagen, um genauere Ergebnisse mit einer geringeren Fehlerquote zu erreichen. Dazu wird eine Methodik eingeführt, die auf den Theorien Chaos und Concept Drift basiert und der Adaptiven Neuro-Fuzzy-Inferenzsystem (ANFIS) die Hauptrolle beim Trainieren und Testen des Modells spielt. Als Fallstudie wurde die elektrische Last des CUTEC-Instituts aus dem Jahr 2014 ausgewählt. Diese Daten wurden basierend auf der Concept Drift Theorie analysiert, um die Ähnlichkeiten und Wiederholungen darin zu finden. Diese wurden danach dazu dient, die Daten zu kategorisieren. Danach wurde die Existenz von Chaos in der Zeitreihe mithilfe von drei Verfahren, nämlich Embedding dimension, Grassberger-Procaccia correlation dimension und Lyapunov exponents untersucht. Eine chaotische Zeitreihe basiert auf einem deterministischen System, d.h. es enthält genügend Informationen, um durch die in dieser Dissertation vorgeschlagene Methode vorhergesagt zu werden. Der Training- und Testprozess wurde mithilfe von ANFIS in MATLAB und die Vorhersage für drei verschiedene Zeithorizonte durchgeführt: Wöchentlich, monatlich und saisonal. Die Prozentsätze des absoluten Fehlers des Erwartungswertes (MAPE) als einer der wichtigsten Indizes in der Lastprognose liegt in allen Zeithorizonten zwischen 2,1% und 2,6%, was deutlich niedriger als die meisten berichteten ähnlichen Fällen in anderen Studien sind und das vorgeschlagene Verfahren zeigt einen effizienteren, zeitsparenderen und präziseren Ansatz für die Vorhersage der elektrischen Last. Darüber hinaus beinhaltet diese Forschung ein Simulationsmodell für ein dezentrales Energiesystem (DES), das in MATLAB und SIMULILNK implementiert wurde. Der Benutzer kann die elektrische sowie thermische Last als Zeitreihe über eine Benutzeroberfläche hinzufügen und die Priorität und zusätzliche Details der Anlagen definieren, wie z. B. die Nennleistung, den Wirkungsgrad oder die Speicherkapazität. Das Model liefert Informationen über den Fahrplan jedes Moduls, das auch als Excel-Datei exportiert werden kann. Zudem werden auch verschiedene grafische Darstellungen wie z.B. Speicherstatus generiert. Dieses Modell wurde mit dem Energiepark im CUTEC-Institut validiert. Die Simulationsergebnisse für das Jahr 2014 wurden dann mit den Ergebnissen einer kommerziellen Energiemanagementsoftware (EnergyPro) verglichen. Die Ergebnisse lagen in der gleichen Größenordnung mit einem vernachlässigbaren Unterschied von weniger als 1%.

Vorschau

Zitieren

Zitierform:

Hashemifarzad, Ali: Electrical load forecasting using adaptive neuro-fuzzy inference system. 2019.

Zugriffsstatistik

Gesamt:
Volltextzugriffe:
Metadatenansicht:
12 Monate:
Volltextzugriffe:
Metadatenansicht:

Grafik öffnen

Rechte

Nutzung und Vervielfältigung:
Alle Rechte vorbehalten

Export