Mehrfachhorizontige kurzfristige Lastvorhersage mittels Hybrid aus LSTM und modifizierter geteilter Faltung

Präzise kurzfristige Lastvorhersage (Short-Term Load Forecasting, STLF) spielt eine entscheidende Rolle für den reibungslosen Betrieb von Stromnetzen, die zukünftige Kapazitätsplanung, die Ein- und Ausschaltplanung von Erzeugungseinheiten sowie die Nachfragesteuerung. Aufgrund der nicht-stationären Natur der Last und ihrer Abhängigkeit von mehreren zyklischen und nicht-zyklischen kalenderbasierten Merkmalen sowie nicht-linearen, stark korrelierten meteorologischen Variablen ist eine genaue Lastvorhersage mit herkömmlichen Techniken jedoch herausfordernd. Um dieser Herausforderung zu begegnen, wird ein neuartiges hybrides Verfahren vorgestellt, das auf Long Short-Term Memory (LSTM) und einem modifizierten Split-Convolution (SC)-Neural Network basiert (LSTM-SC), für die ein- und mehrschrittige STLF. Die spezifische Reihenfolge der Kombination von LSTM und SC in dem vorgeschlagenen hybriden Netzwerk ermöglicht eine hervorragende Extraktion sequenzabhängiger Merkmale sowie hierarchischer räumlicher Merkmale. Das Modell wird anhand des Lastdatensatzes des pakistanischen National Grids evaluiert, der von der National Transmission and Dispatch Company (NTDC) erfasst wurde. Die Lastdaten werden vorverarbeitet, und zusätzliche korrelierte Merkmale werden integriert, um die Leistung zu verbessern. Zur Bewertung der Generalisierbarkeit wird die Leistung von LSTM-SC auch an öffentlich verfügbaren Datensätzen des American Electric Power (AEP) und des Independent System Operator New England (ISO-NE) getestet. Der Einfluss der Temperatur – eines stark korrelierten Eingabemerkmals – auf die Lastvorhersage wird untersucht, indem entweder die Temperatur entfernt oder ein Gaußsches Rauschen hinzugefügt wird. Die Leistung des vorgeschlagenen Modells wird anhand der Metriken RMSE, MAE und MAPE auf dem NTDC-Datensatz bewertet: Für die mehrschrittige Vorhersage ergeben sich Werte von 500,98, 372,62 und 3,72 %, für die einstufige Vorhersage von 322,90, 244,22 und 2,38 %. Die Ergebnisse zeigen, dass das vorgeschlagene Verfahren eine geringere Vorhersagegenauigkeit aufweist, eine starke Generalisierbarkeit besitzt und eine zufriedenstellende Leistung bei mehrstufigen Vorhersagen erzielt.