SARIMA and Holt-Winters method based microgrids for load and generation forecasting

• Autorzy: Shah Aftab Ahmad , Khan Zafar A. , Altamimi Abdullah

Identyfikatory

DOI

10.15199/48.2021.12.06

Warianty tytułu

PL

Metoda SARIMA i Holt-Winters do prognozowania obciążenia i generacji w mikrosieciach

• Języki publikacji: EN

Abstrakty

EN

The modern power grid faces challenges regarding many complex factors affecting both demand and generation; including growth in demand; incorporating large-scale renewable power penetration; uncertainties in climate change; lack of historical data; and coordination of the large volume of data. These issues have resulted in complications in forecasting load and generation in microgrids. The loads are becoming more erratic and the generation is intermittent. Thus, this paper presents a study of different forecasting approaches for load and generation, by comparing multiple univariate and multivariate methods to analyse their effect. The study also proposes seasonal models: the SARIMA model taking into consideration the historical load, the correlation of weather data and renewable integration to estimate future behaviour of the microgrid by predicting one day ahead using critical load data; whereas the Holt Winters method is used for generation forecasting. A case study is simulated using realworld microgrid data for the selected geographic location in Australia. The results suggest that for the day-ahead load forecast, the SARIMA model performed relatively better compared to MLR, Holt-Winters additive and multiplicative methods; whereas, for generation forecasting, Holt-Winters Additive Method and SARIMA perform well for Autumn and Summer respectively. The results suggest that the proposed approach of using different seasonal models for load and generation forecasting yields higher accuracy as compared to conventional forecasting.

PL

Nowoczesna sieć energetyczna stoi przed wyzwaniami dotyczącymi wielu złożonych czynników wpływających zarówno na popyt, jak i na wytwarzanie; w tym wzrost popytu; włączenie penetracji energii odnawialnej na dużą skalę; niepewność w zmianach klimatu; brak danych historycznych; i koordynacja dużej ilości danych. Problemy te spowodowały komplikacje w prognozowaniu obciążenia i generacji w mikrosieciach. Obciążenia stają się coraz bardziej nieregularne, a generacja jest przerywana. Dlatego w niniejszym artykule przedstawiono badanie różnych podejść do prognozowania obciążenia i generacji, porównując wiele metod jednowymiarowych i wielowymiarowych w celu przeanalizowania ich wpływu. W badaniu zaproponowano również modele sezonowe: model SARIMA uwzględniający obciążenie historyczne, korelację danych pogodowych i integrację odnawialną w celu oszacowania przyszłego zachowania mikrosieci poprzez prognozowanie z jednodniowym wyprzedzeniem przy użyciu danych o obciążeniu krytycznym; natomiast do prognozowania generacji wykorzystywana jest metoda Holta Wintersa. Studium przypadku jest symulowane przy użyciu rzeczywistych danych mikrosieci dla wybranej lokalizacji geograficznej w Australii. Wyniki sugerują, że w przypadku prognozy obciążenia dnia następnego model SARIMA sprawował się relatywnie lepiej w porównaniu z metodami addytywnymi i multiplikatywnymi MLR, Holta-Wintersa; podczas gdy w przypadku prognozowania generacji, metoda Holt-Winters Additive Method i SARIMA dobrze sprawdzają się odpowiednio w okresie jesiennym i letnim. Wyniki sugerują, że zaproponowane podejście polegające na wykorzystaniu różnych modeli sezonowych do prognozowania obciążeń i generacji zapewnia wyższą dokładność w porównaniu z prognozowaniem konwencjonalnym.

Słowa kluczowe

EN

renewable energy; SARIMA; load forecasting; microgrid; Holt-Winters method

PL

mikrosieć; prognozowanie; SARIMA

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Przegląd Elektrotechniczny
• Rocznik: 2021
• Tom: R. 97, nr 12
• Strony: 38--44
• Opis fizyczny: Bibliogr., 20 poz., rys., tab.

Twórcy

autor

Shah Aftab Ahmad

• Department of Electrical Engineering, University of Birmingham, Birmingham, UK

autor

Khan Zafar A.

• Department of Electrical Engineering, Mirpur University of science and Technology, Mirpur AJK Pakistan

autor

Altamimi Abdullah

• Department of Electrical Engineering, College of Engineering, Majmaah University, Al-Majmaah, 11952, Saudi Arabia

Bibliografia

• [1] D. T. Ton and M. A. Smith, "The U.S. Department of Energy's Microgrid Initiative," The Electricity Journal, vol. 25, pp. 84-94, 2012/10/01/ 2012.
• [2] S. Grijalva and M. U. Tariq, "Prosumer-based smart grid architecture enables a flat, sustainable electricity industry," in ISGT 2011, 2011, pp. 1-6.
• [3] R. H. Lasseter and P. Paigi, "Microgrid: a conceptual solution," in 2004 IEEE 35th Annual Power Electronics Specialists Conference (IEEE Cat. No.04CH37551), 2004, pp. 4285-4290 Vol.6.
• [4] S. Subbayya, J. G. Jetcheva, and W. P. Chen, "Model selection criteria for short-term microgrid-scale electricity load forecasts," in 2013 IEEE PES Innovative Smart Grid Technologies Conference (ISGT), 2013, pp. 1-6.
• [5] Aslam, S., Herodotou, H., Mohsin, S.M., Javaid, N., Ashraf, N. and Aslam, S., "A survey on deep learning methods for power load and renewable energy forecasting in smart microgrids," in Renewable and Sustainable Energy Reviews, 144, p.110992, 2021.
• [6] Zhou, B., Meng, Y., Huang, W., Wang, H., Deng, L., Huang, S. and Wei, J., "Multi-energy net load forecasting for integrated local energy systems with heterogeneous prosumers," in International Journal of Electrical Power & Energy Systems, 126, p.106542, 2021.
• [7] Z. Khan, D. Jayaweera, and H. Gunduz, "Smart meter data taxonomy for demand side management in smart grids," in Probabilistic Methods Applied to Power Systems (PMAPS), 2016 International Conference on, 2016, pp. 1-8.
• [8] Zeng, P., Jin, M. and Elahe, M.F., "Short-Term Power Load Forecasting Based on Cross Multi-Model and Second Decision Mechanism," in IEEE Access, 8, pp.184061-184072, 2020.
• [9] L. Hernandez, C. Baladrón, M. J. Aguiar, B. Carro, J. A. Sanchez-Esguevillas, and J. Lloret, "Short-Term Load Forecasting for Microgrids Based on Artificial Neural Networks," Energies, vol. 6, 2013.
• [10] (2017, August 2017). http://www.ausgrid.com.au/Common/About-us/Corporateinformation/ Data-to-share/Solar-home-electricitydata. aspx#.WZqeEiiGO00.
• [11] G. E. P. B. G. M. J. a. G. C. Reinsel, Time series analysis: Forecasting and control EngleWood Cliffs New Jersey: Prentice Hall 1994.
• [12] W. N. V. a. B. D. Ripley, Modern Applied Statistics with SPLUS. New York Springer-Verlag, 1999. .
• [13] J. W. T. L. M. d. M. a. P. E. McShary, "A Comparison of univariate methods for forecasting electricity demand up to a day ahead," International Journal of Forecasting, vol. 22, pp. 1- 16, 2006. .
• [14] O. Hyde and P. F. Hodnett, "An adaptable automated procedure for short-term electricity load forecasting," IEEE Transactions on Power Systems, vol. 12, pp. 84-94, 1997.
• [15] A. Z. Al-Garni, Y. N. Al-Nassar, S. M. Zubair, and A. Al- Shehri, "Model for Electric Energy Consumption in Eastern Saudi Arabia," Energy Sources, vol. 19, pp. 325-334, 1997/05/01 1997.
• [16] G. E. P. B. G. M, Time series analysis: forecasting and control revised ed [M] Holden-Day, 1976.
• [17] T. A. Reddy, Applied Data Analysis and Modeling for Energy Engineers and Scientists. London: Springer, 2010.
• [18] G. M. J. George E. P. Box, Gregory C. Reinsel, Greta M. Ljung, Time Series Analysis: Forecasting and Control, 5 ed. EagleWood Cliffs, New Jersey: Prentice Hall, 2015.
• [19] G. A. Rob J Hyndman Forecasting: principles and practice: OTexts, 2014.
• [20] M. Yar and C. Chatfield, "Prediction intervals for the Holt- Winters forecasting procedure," International Journal of Forecasting, vol. 6, pp. 127-137, 1990/01/01/ 1990

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2021).