Adaptive neuro-fuzzy inference systems and data clustering for short-term load forecasting in a capacity constrained market
Date
2021-12
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Stellenbosch : Stellenbosch University
Abstract
ENGLISH ABSTRACT: Accurate short-term load forecasting of electrical power systems is of critical importance when
it comes to accurately managing and controlling a modern grid. It allows for the effective
allocation and dispatch of generation capacity in order to meet demand in the most efficient
and cost-effective manner. This problem is even more pertinent in South Africa as there are
severe generation capacity constraints, which demand the need for crippling load reduction
measures like load shedding.
An adaptive neuro-fuzzy inference system (ANFIS) model for day-ahead short-term load
forecasting (STLF) was designed. The model consisted of 24 separate hourly sub-models,
accepting the month, day of the week, and the load value from 24 hours prior as inputs.
Holidays were input as day type 8 to distinguish them from normal weekdays. This model was
then applied to the South African national load profile dataset and was able to achieve a mean
absolute percentage error (MAPE) of 1.866% for the ‘normal’ years of 2005–2007, and 1.424%
for the capacity-limited years of 2008–2019. These accuracy values compare favourably to
other models in literature and the accuracy actually improves in the later years during the
energy crisis. This model is able to accurately predict all daily, weekly, and yearly cycles in
the demand profiles, while remaining minimalistic enough to be trained on a consumer-grade
computer.
A clustered ANFIS model was also developed. The daily load profiles were optimally clustered
into two distinct shapes: one primarily weekdays, and the other primarily weekends and
holidays. A random forest model was designed to predict the day-ahead cluster index and
achieved 99.36% accuracy. Separate ANFIS models per cluster were then trained using similar
inputs to the model above. The clustered model was, however, unable to achieve any better
accuracy and was very erratic and unstable in its forecast. Therefore, it can be concluded that
the unclustered model is superior in both accuracy and simplicity.
AFRIKAANSE OPSOMMING: Akkurate korttermyn lasvoorspelling van elektriese kragstelsels is van kritieke belang as dit kom by die akkurate bestuur en beheer van 'n moderne netwerk. Dit maak voorsiening vir die akkurate toewysing en versending van opwekkingsvermoë om die kragvereistes op die mees doeltreffende en koste-effektiewe manier voor te sien. Hierdie probleem is nog erger in Suid- Afrika, aangesien daar 'n ernstige kapasiteitsbeperking is, wat die behoefte van verlammende maatreëls van die vermindering van las soos beurtkrag vereis. 'n Aanpasbare Neurale-Vae Inferensiestelsel (ANFIS) model vir korttermyn lasvoorspelling was ontwerp. Die model het uit 24 afsonderlike uurlikse submodelle bestaan, wat die maand, dag van die week en die laswaarde vanaf 24 uur vooraf as insette aangevaar het. Vakansies was as dagtipe 8 ingevoer om dit van normale weeksdae te onderskei. Die model was dan op die Suid-Afrikaanse nasionale lasprofiel datastel toegepas en het 'n gemiddelde absolute persentasie fout (MAPE) van 1.866% vir die ‘normale’ jare van 2005–2007 behaal, en 1.424% vir die kapasiteitsbeperkte jare van 2008–2019. Hierdie akkuraatheidswaardes vergelyk gunstig teenoor ander modelle in die literatuur en die akkuraatheid het in die latere jare te midde van die energiekrisis verbeter. Hierdie model kon alle daaglikse, weeklikse, en jaarlikse siklusse in die vragprofiele akkuraat voorspel, tog was dit minimalisties genoeg is om op 'n verbruikersgraad rekenaar opgelei te word. 'n Gegroepeerde model was ook ontwikkel. Die daaglikse vragprofiele was optimaal saamgevoeg in twee verskillende groepe: een hoofsaaklik weeksdae, en die ander hoofsaaklik naweke en vakansiedae. 'n Willekeurige bosmodel was ontwerp om die dag-voor groepindeks te voorspel en het 99.36% akkuraatheid behaal. Afsonderlike ANFIS-modelle per groep was dan met soortgelyke insette as die bostaande model opgelei. Die gegroepeerde model kon egter nie 'n beter akkuraatheid bereik nie, en was baie wisselvallig en onstabiel in sy voorspelling. Daar kon dus tot die gevolgtrekking gekom word dat die ongroepeerde model beter is in akkuraatheid en eenvoudigheid.
AFRIKAANSE OPSOMMING: Akkurate korttermyn lasvoorspelling van elektriese kragstelsels is van kritieke belang as dit kom by die akkurate bestuur en beheer van 'n moderne netwerk. Dit maak voorsiening vir die akkurate toewysing en versending van opwekkingsvermoë om die kragvereistes op die mees doeltreffende en koste-effektiewe manier voor te sien. Hierdie probleem is nog erger in Suid- Afrika, aangesien daar 'n ernstige kapasiteitsbeperking is, wat die behoefte van verlammende maatreëls van die vermindering van las soos beurtkrag vereis. 'n Aanpasbare Neurale-Vae Inferensiestelsel (ANFIS) model vir korttermyn lasvoorspelling was ontwerp. Die model het uit 24 afsonderlike uurlikse submodelle bestaan, wat die maand, dag van die week en die laswaarde vanaf 24 uur vooraf as insette aangevaar het. Vakansies was as dagtipe 8 ingevoer om dit van normale weeksdae te onderskei. Die model was dan op die Suid-Afrikaanse nasionale lasprofiel datastel toegepas en het 'n gemiddelde absolute persentasie fout (MAPE) van 1.866% vir die ‘normale’ jare van 2005–2007 behaal, en 1.424% vir die kapasiteitsbeperkte jare van 2008–2019. Hierdie akkuraatheidswaardes vergelyk gunstig teenoor ander modelle in die literatuur en die akkuraatheid het in die latere jare te midde van die energiekrisis verbeter. Hierdie model kon alle daaglikse, weeklikse, en jaarlikse siklusse in die vragprofiele akkuraat voorspel, tog was dit minimalisties genoeg is om op 'n verbruikersgraad rekenaar opgelei te word. 'n Gegroepeerde model was ook ontwikkel. Die daaglikse vragprofiele was optimaal saamgevoeg in twee verskillende groepe: een hoofsaaklik weeksdae, en die ander hoofsaaklik naweke en vakansiedae. 'n Willekeurige bosmodel was ontwerp om die dag-voor groepindeks te voorspel en het 99.36% akkuraatheid behaal. Afsonderlike ANFIS-modelle per groep was dan met soortgelyke insette as die bostaande model opgelei. Die gegroepeerde model kon egter nie 'n beter akkuraatheid bereik nie, en was baie wisselvallig en onstabiel in sy voorspelling. Daar kon dus tot die gevolgtrekking gekom word dat die ongroepeerde model beter is in akkuraatheid en eenvoudigheid.
Description
Thesis (MEng)--Stellenbosch University, 2021.
Keywords
Adaptive Neuro-Fuzzy Inference Systems, UCTD, Data clustering, Load (Electric power) -- Forecasting, Electric power systems -- Load dispatching