Comparison of short-term forecasting methods of electricity consumption in microgrids

Abstract

EN: Context. The current stage of development of the electric power industry is characterized by an intensive process of microgrid development and management. The feasibility of using a microgrid is determined by the fact that it has a number of advantages compared to classical methods of energy generation, transmission, and distribution. It is much easier to ensure the reliability of electricity supply within the microgrid than in large energy systems. Energy consumers in a microgrid can affect the power balancing process by regulating their loads, generating, storing, and releasing electricity. One of the main tasks of the microgrid is to provide consumers with electrical energy in a balance between its generation and consumption. This is achieved thanks to the intelligent management of the microgrid operation, which uses energy consumption forecasting data. This allows to increase the efficiency of energy infrastructure management. Objective. The purpose of this work is to develop short-term electricity consumption forecasting models for various types of microgrid electricity consumers, which will improve the efficiency of energy infrastructure management and reduce electricity consumption. Method. The SARIMA autoregressive model and the LSTM machine learning model are used to obtain forecast values of electricity consumption. AIC and BIC information criteria are used to compare autoregressive models. The accuracy of forecasting models is evaluated using MAE, RMSE, MAPE errors. Results. The experiments that forecast the amount of electricity consumption for the different types of consumers were conducted. Forecasting was carried out for both LSTM and AR models on formed data sets at intervals of 6 hours, 1 day, and 3 days. The forecasting results of the LSTM model met the forecasting requirements, providing better forecasting quality compared to AR models. Conclusions. The conducted study of electricity consumption forecasting made it possible to find universal forecasting models that meet the requirements of forecasting quality. A comparative analysis of developed time series forecasting models was performed, as a result of which the advantages of ML models over AR models were revealed. The predictive quality of the LSTM model showed the accuracy of the MAPE of forecasting electricity consumption for a private house – 0.1%, a dairy plant – 3.74%, and a gas station – 3.67%. The obtained results will allow to increase the efficiency of microgrid management, the distribution of electricity between electricity consumers to reduce the amount of energy consumption and prevent peak loads on the power grid. UK: Актуальність. Сучасний етап розвитку електроенергетики характеризується інтенсивним процесом розвитку та управління мікромережею. Доцільність використання мікромережі визначається тим, що вона має низку переваг порівняно з класичними методами генерації, передачі та розподілу енергії. Забезпечити надійність електропостачання в мікромережі набагато легше, ніж у великих центролізованих енергосистемах. Споживачі енергії в мікромережі можуть впливати на процес балансування електроенергії, регулюючи свої навантаження, генеруючи, накопичуючи та відпускаючи електроенергію. Одним із головних завдань Microgrid є забезпечення споживачів електричною енергією в балансі між її генерацією та споживанням. Це досягається завдяки інтелектуальному управлінню роботою Microgrid, яке використовує дані прогнозування енергоспоживання. Це дозволяє підвищити ефективність управління енергетичною інфраструктурою, робить її більш стійкою. Мета. Метою даної роботи є розробка моделей короткострокового прогнозування споживання електроенергії для різних типів споживачів електроенергії у Microgrid, що дозволить підвищити ефективність управління енергетичною інфраструктурою та загалом зменшити споживання електроенергії. Метод. Для отримання прогнозних значень споживання електроенергії використовуються авторегресійна модель (AR) SARIMA та модель машинного навчання (ML) LSTM. Інформаційні критерії AIC і BIC використовуються для порівняння авторегресійних моделей. Точність моделей прогнозування оцінюється за допомогою помилок MAE, RMSE, MAPE. Результати. Проведено експерименти з прогнозування обсягів споживання електроенергії для різних типів споживачів. Прогнозування проводилося як з використанням моделей LSTM, так і моделей AR на сформованих наборах даних з інтервалами кожну годину протягом 6 годин, 1 день і 3 дні. Результати прогнозування з використанням моделі LSTM відповідали вимогам, забезпечуючи кращу якість прогнозування порівняно з авторегресійними моделями. Висновки. Проведене дослідження прогнозування споживання електроенергії дозволило знайти універсальні моделі прогнозування, які відповідають вимогам якості прогнозування. Проведено порівняльний аналіз розроблених моделей прогнозування часових рядів, у результаті якого виявлено переваги моделей ML перед моделями AR. Прогностична якість моделі LSTM показала точність MAPE прогнозування споживання електроенергії для приватного будинку – 0,1%, молокозаводу – 3,74%, АЗС – 3,67%. Отримані результати дозволять підвищити ефективність управління мікромережею, розподілу електроенергії між споживачами для зменшення загальних обсягів споживання енергії та запобігання виникнення пікових навантажень.