A MACHINE LEARNING APPROACH FOR SHORT-TERM LOAD FORECASTING IN SMART GRIDS. Masters thesis, King Fahd University of Petroleum and Minerals.

PDF Final_Draft_MS_Thesis_STLF_201541070.pdf Restricted to Repository staff only until 24 December 2024. Download (6MB)

Arabic Abstract

التنبؤ بالأحمال الكهربائية يلعب دورًا مهما في تشغيل نظم الطاقة الكهربائية والتخطيط لها. التنبؤ الدقيق للأحمال على المدى القصير يؤدي إلى تحسين إدارة نظم الطاقة. تستكشف هذه الدراسة استعمال نماذج تعلم الآلة مثل شجرة القرار والغابة العشوائية بالإضافة إلى نماذج التعلم العميق مثل الشبكة العصبية التلافيفية وشبكة الذاكرة طويلة قصيرة المدى في التنبؤ المستقبلي قصير المدى للأحمال الكهربائية. هذه الدراسة تستكشف أيضًا نهج جديد في استعمال نماذج تعلم الآلة الهجينة التي تدمج أكثر من نموذج تعلم آلة، مع استعمال خوازرمية استمثال عناصر السرب في تحسين عوامل النماذج، في التنبؤ المستقبلي قصير المدى للأحمال الكهربائية. في هذه الدراسة، أداء نماذج تعلم الآلة تتم مقارنتها بأداء نموذج إحصائي، وهو نموذج المتوسط المتحرك المتكامل ذي الانحدار الذاتي مع متغير تفسيري خارجي. في هذه الدراسة، تم استعمال بيانات من ثلاث شركات كهرباء مختلفة لتدريب واختبار النماذج المقترحة. البيانات المستعملة هي كالآتي: بيانات الشركة السعودية للكهرباء، وبيانات مشغل النظام المستقل - نيو إنجلاند، وبيانات مجلس موثوقية الكهرباء في تكساس. المدخلات للنماذج التنبؤية تتضمن البيانات التاريخية للأحمال الكهربائية، وبيانات الطقس، وبيانات التقويم. تظهر نتائج هذه الدراسة تفوق نماذج تعلم الآلة على النموذج الإحصائي في دقة التنبؤ. أيضًا، نتائج هذه الدراسة تظهر تفوق نماذج تعلم الآلة المقترحة على نماذج مقترحة في دراسات سابقة.

English Abstract

Load forecasting plays a crucial role in power system operation and planning, with accurate Short-Term Load Forecasting (STLF) leading to efficient power system management. This study explores the application of Machine Learning (ML) models for STLF, using models including Decision Tree (DT), Random Forest (RF), Adaptive Boosting (AdaBoost), Gradient Boosting (GBoost), Extreme Gradient Boosting (XGBoost), Light Gradient Boosted Machine (LightGBM), Convolutional Neural Network (CNN), and Long Short-Term Memory (LSTM) neural network. Moreover, this study investigates a novel approach that proposes the utilization of hybrid ML models, specifically CNN-LSTM, CNN-LightGBM, and CNN-LSTM-LightGBM, in conjunction with Particle Swarm Optimization (PSO) for Hyperparameter Optimization (HPO). The performance of these ML models is compared to a traditional STLF technique, specifically the Autoregressive Integrated Moving Average with Exogeneous Variable (ARIMAX) model. Three datasets are used for training and testing the models: the Saudi Electricity Company (SEC) dataset, the Independent System Operator – New England (ISO-NE) dataset, and the Electric Reliability Council of Texas (ERCOT) dataset. Input features to the forecasting models are historical load data, meteorological data, and calendar data. Furthermore, the HPO for all models is done using PSO algorithm. The findings of this study demonstrate the superior performance of ML models compared to the traditional statistical model. The proposed models are also benchmarked against recent literature, and the results reveal that the proposed models outperform existing models in STLF.

Item Type:	Thesis (Masters)
Subjects:	Engineering Electrical
Department:	College of Engineering and Physics > Electrical Engineering
Committee Advisor:	Shaik, Muhammad Suhail Hussain
Committee Members:	Khalid, Muhammad and Abido, Mohamed
Depositing User:	ABDULLAH ALHUSSAIN (g201541070)
Date Deposited:	24 Dec 2023 05:43
Last Modified:	24 Dec 2023 05:43
URI:	http://eprints.kfupm.edu.sa/id/eprint/142672