[논문 요약] A Novel Short Receptive Field based Dilated Causal Convolutional Network Integrated with Bidirectional LSTM for Short-Term Load Forecasting

제목

A Novel Short Receptive Field based Dilated Causal Convolutional Network Integrated with Bidirectional LSTM for Short-Term Load Forecasting

저자

Umar Javed, Khalid Ijaz, Muhammad Jawad, Ikramullah Khosa, Ejaz Ahmad Ansari, Khurram Shabih Zaidi, Muhammad Nadeem Rafiq, and Noman Shabbir

저널

Expert Systems with Applications

게재일

2022년 6월 4일

논문 요약

U. Javed et al. []은 단기 전력수요 예측 성능을 향상시키기 위해서 새로운 인코더-디코더 네트워크를 제안하였습니다. 제안하는 인코더-디코더 네트워크에서 인코더 부분은 Short Receptive field based Dilated Causal Convolutional (SRDCC) 네트워크를 기반으로 구성되고, 디코더 부분은 Bi-directional Long Short-Term Memory (BiLSTM) 네트워크를 기반으로 구성됩니다. SRDCC는 더 작은 크기의 컨볼루션 필터를 사용하여 전력수요 패턴을 추출할 수 있으며, BiLSTM은 인코더 부분에서 추출된 특징을 전력수요 예측 값으로 변환합니다. 제안된 모델은 최신 Machine Learning (ML) 및 Deep Learning (DL) 기반의 전력수요 예측 모델들과 6개의 평가지표를 사용하여 비교되었습니다. 광범위한 실험 결과 제안한 모델은 비교 모델들 중 가장 우수한 성능을 보인 CNN-LSTM 모델의 성능보다 약 35% 더 정확한 예측 성능을 보여주었습니다.

키워드

Data analysis, Load forecasting, Learning (artificial intelligence), Machine learning, Power engineering computing, Time series analysis

하이라이트

1. A novel hybrid Encoder-Decoder (ED) model is proposed for Short-Term Load Forecasting (STLF) problem.
2. In ED model, the Short Receptive field based Dilated Causal Convolutional (SRDCC) and Bi-directional Long Short-Term Memory (BiLSTM) are cascaded to improve STLF accuracy.
3. The proposed SRDCC-BiLSTM model mitigates overfitting issue of the STLF problem.
4. A detailed comparative analysis of ED model is conducted with known Machine Learning (ML) and Deep Learning (DL) models.
5. The computational efficiency and time complexity of ED model is computed and compared.