외부 변수를 고려한 기계 학습 기반 장기 부하 구성 예측

장기 부하 예측(LTLF)은 전력 시스템의 계획 및 운영에서 중요한 역할을 하여, 유틸리티가 수요 패턴을 예측하고 그리드의 안정성을 보장할 수 있도록 합니다. 본 논문은 부하 예측 정확도에 대한 다양한 외부 변수의 영향을 탐구함으로써 LTLF에 대한 새로운 접근 방식을 제시합니다. 이를 통해 그리드 공급 지점(GSP)뿐만 아니라 부하 구성 예측의 정확도도 향상됩니다. 양방향 게이트 순환 유닛(GRU) 신경망을 사용하여, 이 연구는 1년 전의 활성 및 비활성 부하 예측에서 주요 외부 요인으로 거시 경제적 요인, 날씨 조건 및 사회적 역학을 통합합니다. 그런 다음 피드포워드 신경망을 사용하여 예측된 부하를 연중 매일의 부하 범주로 분해합니다. GDP와 평균 유량 특징이 다르게 설정된 실제 배급 네트워크의 세 개의 GSPs가 제안된 모델을 검증하기 위한 사례 연구로 사용됩니다. 1단계 결과는 외부 변수를 통합하는 것이 예측 성능을 향상시키며, 인구가 이러한 특정 데이터세트와 가장 강한 상관관계를 보인다는 것을 보여줍니다. 2단계의 결과는 예측된 부하가 구성 카테고리로 충분히 정확하게 분해될 수 있으며, 부하 분해가 예측 오류에 대해 그리 민감하지 않다는 것을 보여줍니다. 분해된 부하 예측 결과는 영국 정부가 수행한 가정용 전기 설문 조사 연구로 검증되었습니다.