Load Balance Forecasting Based on Hybrid Deep Neural Network

Nezihe Yıldıran

Makale detayları

Load Balance Forecasting Based on Hybrid Deep Neural Network

Yazarlar:

Nezihe Yıldıran

Yayıncı:

Cukurova University

Ana Başlıklar:

Enerji Sistemleri Mühendisliği (Diğer)

Dergi:

Çukurova Üniversitesi Mühendislik Fakültesi Dergisi Vol.39 Issue 1, pp.167-174

Belge Tipi:

Makale

Yayın Tarihi:

3/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001314391

pISSN:

2757-9255

Anahtar kelimeler:

Özet:

 Load forecasting is the foundation of utility design, and it is a fundamental business problem in the utility industry. Load forecasting, mainly referring to forecasting electricity demand and energy, is being used throughout all segments of the electric power industry, including generation, transmission, distribution, and retail. In this paper, a long short-term memory network with a hybrid approach is improved with a dense algorithm and proposed for electricity load forecasting. A long short-term memory network is designed to effectively exhibit the dynamic behavior of load time series. The proposed model is tested for Panama study including historical data and weather variables. The prediction accuracy is validated by performance metrics, and the best of the metrics are attained when mean absolute error is 5.262, mean absolute percentage error 0.0000376, and root mean square error 18.243. The experimental results show a high prediction rate for load balance forecasting of electric power consumption.

 Load forecasting is the foundation of utility design, and it is a fundamental business problem in the utility industry. Load forecasting, mainly referring to forecasting electricity demand and energy, is being used throughout all segments of the electric power industry, including generation, transmission, distribution, and retail. In this paper, a long short-term memory network with a hybrid approach is improved with a dense algorithm and proposed for electricity load forecasting. A long short-term memory network is designed to effectively exhibit the dynamic behavior of load time series. The proposed model is tested for Panama study including historical data and weather variables. The prediction accuracy is validated by performance metrics, and the best of the metrics are attained when mean absolute error is 5.262, mean absolute percentage error 0.0000376, and root mean square error 18.243. The experimental results show a high prediction rate for load balance forecasting of electric power consumption.

 Load forecasting is the foundation of utility design, and it is a fundamental business problem in the utility industry. Load forecasting, mainly referring to forecasting electricity demand and energy, is being used throughout all segments of the electric power industry, including generation, transmission, distribution, and retail. In this paper, a long short-term memory network with a hybrid approach is improved with a dense algorithm and proposed for electricity load forecasting. A long short-term memory network is designed to effectively exhibit the dynamic behavior of load time series. The proposed model is tested for Panama study including historical data and weather variables. The prediction accuracy is validated by performance metrics, and the best of the metrics are attained when mean absolute error is 5.262, mean absolute percentage error 0.0000376, and root mean square error 18.243. The experimental results show a high prediction rate for load balance forecasting of electric power consumption.

 Yük tahmini, hizmet tasarımının temelidir ve hizmet sektöründe temel bir iş sorunudur. Ağırlıklı olarak elektrik talebini ve enerjiyi tahmin etmeye atıfta bulunan yük tahmini, üretim, iletim, dağıtım ve perakende dahil olmak üzere elektrik enerjisi endüstrisinin tüm segmentlerinde kullanılmaktadır. Bu bildiride, hibrit bir yaklaşıma sahip uzun bir kısa süreli bellek ağı, yoğun bir algoritma ile geliştirilmiş ve elektrik yükü tahmini için önerilmiştir. Uzun bir kısa süreli bellek ağı, yükleme süresi serilerinin dinamik davranışını etkili bir şekilde sergilemek için tasarlanmıştır. Önerilen model, tarihsel verileri ve hava durumu değişkenlerini içeren Panama çalışması için test edilmiştir. Tahmin doğruluğu, performans ölçümleriyle doğrulanır ve ölçümlerin en iyisi, ortalama mutlak hata 5,262, ortalama mutlak yüzde hatası 0,0000376 ve kök ortalama kare hatası 18,243 olduğunda elde edilir. Deneysel sonuçlar, elektrik gücü tüketiminin yük dengesi tahmini için yüksek bir tahmin oranı göstermektedir.

Makale detayları

Load Balance Forecasting Based on Hybrid Deep Neural Network

Yazarlar:

Nezihe Yıldıran

Yayıncı:

Cukurova University

Ana Başlıklar:

Enerji Sistemleri Mühendisliği (Diğer)

Dergi:

Çukurova Üniversitesi Mühendislik Fakültesi Dergisi Vol.39 Issue 1, pp.167-174

Belge Tipi:

Makale

Yayın Tarihi:

3/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001314391

pISSN:

2757-9255

Dense layer

Load forecasting

Long short-term memory

Machine learningMakine öğrenimi

Uzun kısa süreli bellek

Yük tahmini

Yoğun katman

Sayı

Makale detayları

Yazarlar: Nezihe Yıldıran

Yayıncı: Cukurova University

Ana Başlıklar: Enerji Sistemleri Mühendisliği (Diğer)

Dergi: Çukurova Üniversitesi Mühendislik Fakültesi Dergisi Vol.39 Issue 1, pp.167-174

Belge Tipi: Makale

Yayın Tarihi: 3/2024

Belge Dili: İngilizce

Document ID (Org No.): 2001314391

pISSN: 2757-9255

Sayı

Yazarlar:

Nezihe Yıldıran

Yayıncı:

Cukurova University

Ana Başlıklar:

Enerji Sistemleri Mühendisliği (Diğer)

Dergi:

Çukurova Üniversitesi Mühendislik Fakültesi Dergisi Vol.39 Issue 1, pp.167-174

Belge Tipi:

Makale

Yayın Tarihi:

3/2024

Belge Dili:

İngilizce

Document ID (Org No.):

2001314391

pISSN:

2757-9255