Short-term power load forecasting fora 33/11 KV sub-station by utilizing attention-based hybrid deep learning architectures

Abstract

Estimating electric power load at substations is a fundamental task for system operators, as it is essential for the reliable and optimal operation of the power system. Effective load forecasting is critical for optimal power generation, as precise predictions facilitate the economical use of electrical infrastructure. The primary objective of this study is to develop advanced deep learning (DL) attention-based models aimed at improving the accuracy of short-term electric power load forecasting at substa-tions. This enhancement is essential for ensuring the reliable and efficient operation of power sys-tems.To accomplish this objective, a comprehensive evaluation of various machine learning (ML) and deep learning (DL) architectures was conducted. This evaluation included the following models: Auto-regressive Integrated Moving Average (ARIMA), Multi-Layer Perceptron (MLP), Random Forest (RF), Gradient Boosting (GB), Long Short-Term Memory (LSTM) networks with Attention mechanisms, Double Attention mechanisms, LSTM-Convolutional Neural Network (CNN) Attention, Recurrent Neural Networks (RNN) with Input Attention, Bidirectional LSTM (BiLSTM)with Attention, and CNN-BiLSTM Attention mechanism.These models applied to hourly estimated energy consumption data (in kilowatts) sourced from the 33/11 KV substation in Telangana, India. The performance of these models measured using several key metrics, including Mean SquaredError (MSE), Root Mean Squared Error (RMSE), and R-squared (R²). The most important result isthat the CNN-BiLSTM attention model significantly outperforms the other models, achieving an MSE of 0.0079, an RMSE of 0.0889, and an R²value of 0.8547. that underscores that the CNN-BiLSTM attention model represents an effective and practical tool for accurate power load forecasting.

Estimarea sarcinii energiei electrice la substații este o sarcină fundamentală pentru operatorii de sistem, deoarece este esențială pentru funcționarea fiabilă și optimă a sistemului energetic.Prognoza eficientă a sarcinii este esențială pentru generarea optimă de energie, deoarece predicțiile precise facilitează utilizarea economică a infrastructurii electrice.Obiectivul principal al acestui studiu este de a dezvolta modele avansate de învățare profundă (DL) bazate pe atenție, care vizează îmbunătățirea preciziei prognozei pe termen scurt a sarcinii energiei electrice la substații.Această îmbunătățire este esențială pentru asigurarea funcționării fiabile și eficiente a sistemelor energetice.Pentru a atinge acest obiectiv, a fost efectuată o evaluare cuprinzătoare a diferitelor arhitecturi de învățare automată (ML) și învățare profundă (DL).Această evaluare a inclus următoarele modele: Autoregressive Integrated Moving Average (ARIMA), Multi-Layer Perceptron (MLP), Random Forest (RF), Gradient Boosting (GB), rețele Long-Short-Term Memory (LSTM) cu mecanisme de atenție, LSTM-Convolutional Neural Network (CNN) Attention etc. Aceste modele s-au aplicat datelor de consum de energie estimate orar (în kilowați) provenite de la substația de 33/11 kV din Telangana, India.Performanța acestor modele a fost măsurată utilizând mai mulți indicatori cheie, inclusiv Eroarea Medie Pătratică (MSE), Eroarea Medie Pătratică Root (RMSE) și R-pătrat (R²).Cel mai important rezultat este că modelul de atenție CNN-BiLSTM depășește semnificativ celelalte modele, atingând un MSE de 0.0079, un RMSE de 0.0889 și o valoare R² de 0.8547, ceea ce subliniază faptul că modelul de atenție CNN-BiLSTM reprezintă un instrument eficient și practic pentru prognozarea precisă a sarcinii energetice.

Оценка электрической нагрузки на подстанциях является фундаментальной задачей для си-стемных операторов, поскольку она необходима для надежной и оптимальной работы энергосистемы.Эф-фективное прогнозирование нагрузки критически важно для оптимальной выработки электроэнергии, по-скольку точные прогнозы способствуют экономичному использованию электрической инфраструктуры.Основная цель данного исследования —разработка усовершенствованных моделей глубокого обучения (ГО), основанных на анализе внимания, для повышения точности краткосрочного прогнозирования элек-трической нагрузки на подстанциях.Это усовершенствование необходимо для обеспечения надежной и эффективной работы энергосистем.Для достижения этой цели была проведена комплексная оценка раз-личных архитектур машинного обучения (МО) и глубокого обучения (ГО).Эта оценка включала следую-щие модели: авторегрессионное интегрированное скользящее среднее (ARIMA), многослойный персеп-трон (MLP), случайный лес (RF), градиентное усиление (GB), сети с длинной краткосрочной памятью (LSTM) с механизмами внимания, механизмы двойного внимания, LSTM-свёрточная нейронная сеть (CNN) с механизмом внимания, рекуррентные нейронные сети (RNN) с входным вниманием, двунаправ-ленная LSTM(BiLSTM) с вниманием и механизм внимания CNN-BiLSTM.Эти модели применялись к почасовым данным о потреблении энергии (в киловаттах), полученным с подстанции 33/11 кВ в Телан-гане, Индия.Производительность этих моделей измерялась с использованием нескольких ключевых мет-рик, включая среднеквадратичную ошибку (MSE), среднеквадратичную ошибку (RMSE) и коэффициент детерминации (R²).Наиболее важным результатом является то, что модель внимания CNN-BiLSTMзна-чительно превосходит другие модели, достигая среднеквадратичной ошибки (СКО) 0.0079, среднеквад-ратичной ошибки (СКО) 0.0889 и значения R² 0.8547.Это подчёркивает, что модель внимания CNN-BiLSTMпредставляет собой эффективный и практичный инструмент для точного прогнозирования нагрузки.Эта возможность не только обеспечивает экономичное использование электроэнергетической инфраструктуры, но и поддерживает надёжные процессы принятия решений на основе данных в рамках эксплуатации энергосистемы.