Electrical Load Forecasting Based on Machine Learning Approach for Palestine's Power System رسالة ماجستير

Abstract

Forecasting the future electrical load requirements is the first step in power system design and growth. Forecasting the electrical load is critical from both a technical and a financial standpoint. It is essential in traditional commercial procedures and electricity transmission planning to improve power system performance, reliability, safety, and stability while also lowering operating costs. Because of its relevance in power management, infrastructure planning, and budgetary, electricity load forecasting has piqued the interest of researchers and businesses. The actual electrical load data was obtained from the Electricity Distribution Company in Palestine - Tubas District Electricity Company for about a year. This data is based on the electrical loads taken by the Electricity Company from the connection point with the Israeli side, for the total demand for loads every minute. The main objective of this work is to make a forecasting model and accurate calculation of electrical load based on the measurements of the current loads in Palestine. The importance of having model for forecasting electrical loads will reduce the cost and resources, especially in Palestine because there are no research studies conducted to forecast these loads. Deep learning is used to forecasting the electrical loads using long short-term memory (LSTM), gated recurrent units (GRU), and recurrent neural networks (RNN). All these models are tested to obtain the best results and the lowest error rate compared to the previous studies. The tuning parameters were adjusted based on several methods, namely: learning rate, type of optimizers, training and testing ratio, activation functions, batch size, epoch, and the number of hidden layers. The models are tested with different approaches in tuning the parameter to achieve the best performance. The GRU model obtained the best model in terms of accuracy and the lowest VI error rate when applying two hidden layers and an Adam optimizer, with a test rate of 70% and a number of epochs = 50, and a batch size is 32. The results showed that the GRU model achieved an R2 of 90.228%, MSE = 0.00215, and MAE = 0.03266يعد التنبؤ بمتطلبات الحمل الكهربائي المستقبلية الخطوة الأولى في تصميم نظام الطاقة ونموه. يُعد توقع الحمل أمرًا بالغ الأهمية من الناحيتين الفنية والمالية. من الضروري في الإجراءات التجارية التقليدية وتخطيط نقل الكهرباء تحسين أداء نظام الطاقة والموثوقية والسلامة والاستقرار مع خفض تكاليف التشغيل أيضًا. نظرًا لأهميتها في إدارة الطاقة وتخطيط البنية التحتية والميزانية ، فقد أثار التنبؤ بحمل الكهرباء اهتمام الباحثين والشركات. تم الحصول على بيانات الحمل الكهربائي الفعلي من شركة توزيع الكهرباء في فلسطين - شركة كهرباء محافظة طوباس لمدة عام تقريبًا. تستند هذه البيانات إلى الأحمال الكهربائية التي حصلت عليها شركة الكهرباء من نقطة التوصيل مع الجانب الإسرائيلي ، لإجمالي الطلب على الأحمال في كل دقيقة. الهدف الرئيسي من هذا العمل هو إجراء حساب سهل ودقيق للتنبؤ بالحمل الكهربائي بناءً على قياسات الأحمال الحالية في فلسطين. لأن عدم اليقين في التنبؤ بالأحمال الكهربائية قد يؤدي إلى هدر الأموال والموارد ، خاصة في فلسطين لعدم وجود بحث أو دراسة للتنبؤ بهذه الأحمال. نماذج الانحدار - تم استخدام التعلم العميق للتنبؤ بالأحمال الكهربائية باستخدام LSTM و GRU و RNN. حيث تم الاعتماد عليها للحصول على أفضل النتائج وأقل معدل خطأ مقارنة بالدراسات السابقة ، تم تعديل معلمات الضبط بناءً على عدة طرق ، على النحو التالي: معدل التعلم ، نوع المحسنات ، نسبة التدريب والاختبار ، وظائف التنشيط ، الدُفعة الحجم والعصر ، عدد الطبقات المخفية. بعد تجربة وتطبيق جميع طرق ضبط المعلمات ، حصل نموذج GRU على أفضل نموذج من حيث الدقة وأقل معدل خطأ ، عند تطبيق طبقتين مخفيتين ومحسِّن آدم ، بمعدل اختبار 70٪ وعدد من epochs = 50 وحجم الدُفعة 32. أظهرت النتائج أن نموذج GRU حقق squared R بنسبة 90.228٪ ، و MSE = 0.00215 ، و .MAE = 0.03266