Previsão de Carga Residencial de Curto Prazo Baseada em Rede Neural Recorrente LSTM

À medida que o sistema de energia enfrenta uma transição para um sistema mais inteligente, flexível e interativo com maior penetração da geração de energia renovável, a previsão de carga, especialmente a previsão de carga de curto prazo para clientes elétricos individuais, desempenha um papel cada vez mais essencial no planejamento e operação da rede futura. Além da carga residencial agregada em larga escala, prever a carga elétrica de um único usuário de energia é bastante desafiador devido à alta volatilidade e incerteza envolvidas. Neste artigo, propomos uma estrutura baseada em rede neural recorrente de memória de longo prazo e curto prazo (LSTM), que é a mais recente e uma das técnicas mais populares de aprendizado profundo, para enfrentar esse problema complicado. A estrutura proposta é testada em um conjunto de dados reais de medidores inteligentes residenciais disponíveis publicamente, cuja performance é comparada de forma abrangente com vários benchmarks, incluindo os mais avançados na área de previsão de carga. Como resultado, a abordagem LSTM proposta supera os outros algoritmos rivais listados na tarefa de previsão de carga de curto prazo para domicílios residenciais individuais.