Deep Learning Based Electricity Demand Forecasting in Different Domains
Electricity demand forecasting is an important task in power grids. Most of researches on electrical load forecasting have been done in the time domain. But, the electrical time series has a non-stationary inherence that makes hard load prediction. Moreover, valuable information is hidden in the electrical load sequence which is not open in the time domain. To deal with these difficulties, a new electricity demand forecasting framework is proposed in this work. In the proposed framework, at first, a new feature space of electrical load sequence is composed. The provided domain involves complementary information about shape and variations of electrical load sequence. Then, the obtained load features are integrated with the original load values in time domain to allow a rich input for predictor. Finally, a powerful deep learning technique from the family of recurrent neural networks, named long-short term memory, is used to learn electricity demand from the provided features in single and hybrid domains. The following domains are investigated in this work: frequency, cepstrum, spectral centroid, spectral roll-off, spectral flux, energy, time difference, frequency difference, Gabor and collaborative representation. The experiments show that the use of time difference domain decreases the mean absolute percent error from 0.0332 to 0.0056.
Article Type:
Research/Original Article
Iranica Journal of Energy & Environment, Volume:11 Issue: 1, 2020
33 - 39  
برخی از خدمات از جمله دانلود متن مقالات تنها به مشترکان مگیران ارایه می‌گردد. شما می‌توانید به یکی از روش‌های زیر مشترک شوید:
اشتراک شخصی
در سایت عضو شوید و هزینه اشتراک یک‌ساله سایت به مبلغ 300,000ريال را پرداخت کنید. همزمان با برقراری دوره اشتراک بسته دانلود 100 مطلب نیز برای شما فعال خواهد شد!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی همه کاربران به متن مطالب خریداری نمایند!
  • دسترسی به متن مقالات این پایگاه در قالب ارایه خدمات کتابخانه دیجیتال و با دریافت حق عضویت صورت می‌گیرد و مگیران بهایی برای هر مقاله تعیین نکرده و وجهی بابت آن دریافت نمی‌کند.
  • حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران می‌شود.
  • پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانه‌های چاپی و دیجیتال را به کاربر نمی‌دهد.