Probabilistic Residential Load Forecasting based on LSTM Recurrent Neural Networks: Implementation and Assessment

Abstract

La industria de la energía eléctrica se está desplazando hacia una tecnología más inteligente, flexible e interactiva con sistemas con una participación creciente en la generación de energía renovable. En un hogar esto se logra a través de sistemas de gestión de energía doméstica que se benefician de la tecnología de medidores inteligentes. Sin embargo, los Home Energy Management Systems (HEMS) solo son efectivos si se generan pronósticos fiables de la carga eléctrica del hogar. Debido a su naturaleza fluctuante, pronosticar cargas eléctricas futuras ha demostrado ser una tarea compleja. Por ello en este trabajo se proponen métodos de predicción probabilística que proporcionan más información sobre las distribuciones futuras de valores de carga. En la primera parte de este trabajo los resultados de pronóstico de los modelos LSTM RNN se comparan con los resultados de un modelo de redes neuronales “feedforward”. Ambos modelos son evaluados sobre cuatro conjuntos de datos de medidores inteligentes, Smart *, UCI, UK-DALE y conjunto de datos Ausgrid. El principal hallazgo es que, aunque ambos modelos generan pronósticos mejores a los resultantes del modelo persistivo, el LSTM RNN supera a la red neuronal predictiva en la mayoría de los casos. Otra conclusión es que estos modelos funcionan de manera diferente según el conjunto de datos considerado. La segunda parte de esta tesis busca extraer las principales características del conjunto de datos que afectan la precisión de pronóstico de ambos modelos. Para ello se analiza la correlación entre el error obtenido en el pronóstico con cada modelo y la medición de algunas características de las bases de datos utilizada. Los datos de 300 hogares del conjunto de datos Ausgrid fueron analizados para generar el análisis de correlación. Los resultados mostraron que la potencia de consumo promedio, el comportamiento cíclico, la dispersión de la carga y la consistencia del patrón de comportamiento afectan la precisión del pronóstico.

The electric power industry is shifting towards more intelligent, flexible, and interactive systems with an increasing share of renewable energy generation. At a household level this is achieved through household energy management systems HEMS that benefit from smart meter technology. However, HEMS are only effective if reliable household electrical load forecasts are generated. Due to its fluctuating nature, forecasting future electrical loads has proven to be a challenging task. In this work probabilistic forecasting methods are proposed, unlike deterministic forecasts, probabilistic forecasts provide further information on future load values distributions. Long short-term memory LSTM recurrent neural network RNN models are proposed to improve the forecasting accuracy; these models have proven to be effective when forecasting volatile time series data. In the first part of this thesis the forecasting results from the LSTM RNN models are compared against the more commonly used feedforward neural network models. Both models are evaluated on four smart meter data sets, Smart*, UCI, UK-DALE and Ausgrid data set. The main finding is that although both models generate reliable density forecasts, the LSTM RNN outperforms the feedforward neural network on most of the cases. Forecasting models perform differently depending on the data set under consideration. The second part of this thesis seeks to extract the main data set features affecting both model’s forecasting accuracy. A correlation study of the forecasting errors and each feature’s metric was conducted. The 300-household data from the Ausgrid data set was analyzed to generate the correlation analysis. Results showed that for the analyzed households, the average consumption power, the cyclic behavior, the load dispersion, and the behavior pattern consistency impact forecasting accuracy.