Energy forecasting has a vital role to play in smart grid (SG) systems involving various applications such as demand-side management, load shedding, optimum dispatch, etc. Managing efficient forecasting while ensuring the least possible prediction error is one of the main challenges posed in the grid today, considering the uncertainty and granularity in the SG data. This paper presents a comprehensive and application-oriented review of state-of-the-art forecasting methods for SG systems considering the different models and architectures. Traditional statistical and machine learning-based forecasting methods are extensively investigated in terms of their applicability to energy forecasting. In addition, the significance of hybrid methods and data pre-processing techniques for better forecasting accuracy is also highlighted. A comparative case study using the Victorian electricity consumption benchmark and American electric power (AEP) datasets is conducted to analyze the performance of different forecasting methods. The analysis demonstrates higher accuracy of the recurrent neural network (RNN) and long-short term memory (LSTM) methods when sample sizes are larger and hyperparameters are appropriately tuned. Furthermore, hybrid methods such as CNN-LSTM are also highly effective to deal with long sequences in energy data.


翻译:考虑到SG数据的不确定性和颗粒性,对智能电网系统进行能源预测,在涉及需求方管理、卸载、最佳发送等各种应用的智能电网系统中可发挥至关重要的作用。 管理高效预测,同时确保尽可能少的预测错误,是当今电网面临的主要挑战之一,考虑到SG数据的不确定性和颗粒性。本文件对考虑不同模型和结构的SG系统最新预测方法进行全面和面向应用的审查。对传统的基于统计和机器学习的预测方法是否适用于能源预测进行了广泛调查。此外,还强调了混合方法和数据预处理技术对于提高预测准确性的重要性。利用维多利亚州电力消费基准和美国电力(电力)数据集进行比较案例研究,以分析不同预测方法的性能。分析表明,当抽样大小较大、超光谱度时,经常神经网络(NNN)和长期短期记忆(LSTM)方法的准确性更高。此外,CNN-LSTM等混合方法对于处理长序能源数据也非常有效。

0
下载
关闭预览

相关内容

神经常微分方程教程,50页ppt,A brief tutorial on Neural ODEs
专知会员服务
71+阅读 · 2020年8月2日
MIT-深度学习Deep Learning State of the Art in 2020,87页ppt
专知会员服务
61+阅读 · 2020年2月17日
【大规模数据系统,552页ppt】Large-scale Data Systems
专知会员服务
60+阅读 · 2019年12月21日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
CCF推荐 | 国际会议信息10条
Call4Papers
8+阅读 · 2019年5月27日
人工智能 | ISAIR 2019诚邀稿件(推荐SCI期刊)
Call4Papers
6+阅读 · 2019年4月1日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
18+阅读 · 2018年10月30日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
LibRec 精选:推荐的可解释性[综述]
LibRec智能推荐
10+阅读 · 2018年5月4日
【推荐】深度学习时序处理文献列表
机器学习研究会
7+阅读 · 2017年11月29日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Arxiv
0+阅读 · 2021年1月10日
VIP会员
相关资讯
CCF推荐 | 国际会议信息10条
Call4Papers
8+阅读 · 2019年5月27日
人工智能 | ISAIR 2019诚邀稿件(推荐SCI期刊)
Call4Papers
6+阅读 · 2019年4月1日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
利用动态深度学习预测金融时间序列基于Python
量化投资与机器学习
18+阅读 · 2018年10月30日
disentangled-representation-papers
CreateAMind
26+阅读 · 2018年9月12日
LibRec 精选:推荐的可解释性[综述]
LibRec智能推荐
10+阅读 · 2018年5月4日
【推荐】深度学习时序处理文献列表
机器学习研究会
7+阅读 · 2017年11月29日
【推荐】RNN/LSTM时序预测
机器学习研究会
25+阅读 · 2017年9月8日
Top
微信扫码咨询专知VIP会员