[논문 요약] Short‐term commercial load forecasting based on peak-valley features with the TSA-ELM model

제목

Short‐term commercial load forecasting based on peak‐valley features with the TSA‐ELM model

저자

Mengran Zhou, Ziwei Zhu, Feng Hu, Kai Bian, Wenhao Lai, and Tianyu Hu

저널

Energy Science & Engineering

게재일

2022년 5월 31일

논문 요약

M. Zhou et al. []은 Extreme Learning Machine(ELM)과 Tunicate Swarm Algorithm(TSA)를 결합한 전력수요 예측 모델을 제안하였습니다. 제안 기법은 Peak & Valley(PV) 전력수요 예측 및 시간당 전력수요 예측에 사용되었습니다. 먼저 일간 전력수요 데이터의 특징을 분석하여 하루를 6개의 구간으로 분리하고 각각의 구간에서의 최대 전력수요와 최소 전력수요를 구합니다. 그런 다음 TSA-ELM 알고리즘을 통하여 예측하고자 하는 기간의 최대 전력수요와 최소 전력수요를 예측합니다. 다음으로 Maximum Information Coefficient(MIC)를 사용하여 일주일 전의 실제 전력수요 데이터와 최대 전력수요, 최소 전력수요를 선택하고 이를 Peak & Valley(PV)-TSA-ELM 모델의 입력으로 사용하여 시간당 전력수요를 예측합니다. 기존 ELM 모델과 비교하였을 때 제안 모델의 Mean Absolute Error(MAE), Root Mean Squared Error(RMSE), Mean Absolute Percentage Error(MAPE)는 20.59%, 20.13%, 19.19% 감소하였습니다. 또한, 제안 모델과 다른 비교 모델의 성능을 4개의 성능지표를 통하여 비교한 결과, 제안 모델의 성능이 가장 우수했습니다.

키워드

Commercial Electricity Demand, Extreme Learning Machine, Peak and Valley Loads, Short‐Term Load Forecasting, Ttunicate Swarm Algorithm

하이라이트

1.The addition of the novel optimization method TSA can help both SVR and ELM algorithms enhance their prediction accuracy. This is because the TSA algorithm uses parameter search to identify more appropriate parameters, which enhances the model's prediction performance.
2.Consider that low correlation variables not only lengthen the model's runtime but also reduce its prediction accuracy. Therefore, in the feature engineering process, we use MIC to select input variables that are highly correlated with the output.
3.In this paper, we use historical peaks and valleys as some of the inputs to the model. The period peaks and valleys reflect the trend of load demand during the day. Furthermore, the incorporation of hourly granular peak and valley information refines load characteristics in the prediction model, improving the ELM algorithm's forecast accuracy.
4.The PV-TSA-ELM model proposed in this paper combines the high correlation “PV” feature and the TSA optimization algorithm on the ELM algorithm. It enables the model to have high prediction accuracy while real-time performance is guaranteed. In terms of prediction accuracy, the LSTM algorithm outperforms SVR, but it comes at a significantly higher cost in terms of time.