Thông tin chung
  English
  Đề tài NC khoa học
  Bài báo, báo cáo khoa học
  Hướng dẫn Sau đại học
  Sách và giáo trình
  Các học phần và môn giảng dạy
  Giải thưởng khoa học, Phát minh, sáng chế
  Khen thưởng
  Thông tin khác
  Tài liệu tham khảo
  Hiệu chỉnh
 
Số người truy cập: 107,598,519

 Ứng dụng mô hình kết hợp GCN-Wavenet trong dự báo tải ngắn hạn cho hệ thống lưới điện nhỏ
Tác giả hoặc Nhóm tác giả: Nguyễn Thanh Hoan, Lê Duy Phúc, Trương Việt Anh, Nguyễn Hữu Vinh, Trương Đình Nhơn, Lê Kim Hùng
Nơi đăng: Tạp chí Khoa học và Công nghệ Đại học Đà Nẵng; Số: Vol. 20, No 11.2;Từ->đến trang: 136-141;Năm: 2022
Lĩnh vực: Chưa xác định; Loại: Bài báo khoa học; Thể loại: Trong nước
TÓM TẮT
Dự báo phụ tải điện là một vấn đề quan trọng trong quản lý năng lượng lưới điện nhỏ (Microgrid - MG). Dự báo phụ tải với việc xem xét nhiều yếu tố tác động để nâng cao độ chính xác và đáp ứngcho những biến động của các yếu tố đó là vấn đề đang được quan tâm trong MG. Bài báo này đề xuất một phương pháp tích hợp mới để dự báo phụ tải ngắn hạn (STLF); Xem xét sử dụng cả chuỗi dữ liệu dài và ngắn của phụ tải và một số yếu tố như công suất đỉnh, nhiệt độ,… để dự báo nhu cầu tải hàng giờ của MG. Nhóm tác giả xem xét một mô hình dự đoán với nhiều yếu tố, nghiên cứu này đã tích hợp Mạng tích chập đồ thị (Graph Convolutional Network - GCN) vào các nút của mạng Wavenet. Mô hình dự báo được so sánh với các mô hình dự báo trước đó. Kết quả cho thấy, mô hình đề xuất của nhóm tác giả vượt trội hơn các mô hình dựa trên học sâu khác về RMSE và MAPE.
ABSTRACT
Load forecasting is an important issue in Microgrid Grid (MG) energy management. Load forecasting with consideration of many influencing factors to improve the accuracy and response for the fluctuations of those factors is a concerning matter in MG. This paper proposes a new integrated method for short-term load forecasting (STLF); And consider using both long and short data series of loads and several factors such as peak load, temperature, etc. to forecast hourlyload demand of MG. We consider a predictive model with many factors, in which there is an integration of the Graph Convolutional Network (GCN) into the nodes of the Wavenet network. The forecasting model is compared with the previous forecasting ones. The results show that, our proposed model is more superior than other deep learning-based ones in both RMSE and MAPE.
[ 2023\2023m02d018_11_39_26Bao_V_gui_ATiGB_2022-23-12728-1-10-20221216.pdf ]
© Đại học Đà Nẵng
 
 
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn