Prévision à court terme de la charge résidentielle basée sur un réseau de neurones récurrent LSTM

Alors que le système électrique est en train de passer à un système plus intelligent, flexible et interactif avec une plus forte pénétration de la production d'énergie renouvelable, la prévision de charge, en particulier la prévision de charge à court terme pour des clients électriques individuels, joue un rôle de plus en plus essentiel dans la planification et l'exploitation futures du réseau. Au-delà de la charge résidentielle agrégée à grande échelle, prévoir la charge électrique d'un utilisateur unique est assez difficile en raison de la forte volatilité et incertitude impliquées. Dans cet article, nous proposons un cadre basé sur un réseau de neurones récurrent à mémoire à long terme (LSTM), qui est la dernière et l'une des techniques les plus populaires de l'apprentissage profond, pour traiter cette problématique complexe. Le cadre proposé est testé sur un jeu de données publiques réelles de compteurs intelligents résidentiels, dont la performance est comparée de manière exhaustive à diverses références, y compris les méthodes les plus avancées dans le domaine de la prévision de charge. En conséquence, l'approche LSTM proposée surpassa les autres algorithmes concurrents listés dans la tâche de prévision à court terme de la charge pour des ménages résidentiels individuels.