A review on renewable energy and electricity requirement forecasting models for smart grid and buildings

Highlights•Machine learning, ensemble & ANNs models are reviewed for renewable energy & electricity demand forecasting.•Three forecasting intervals, i.e., short, medium and long-term, are discussed.•The objectives of prediction in generation scheduling, unit commitment and economic dispatch issues are summarized.•High quality research publications are reviewed & their forecasting accuracy are compared with five performance evaluation indexes.•Machine learning models are best for short, medium and long-term forecasting.AbstractThe benefits of renewable energy are that it is sustainable and is low in environmental pollution. Growing load requirement, global warming, and energy crisis need energy-intensive management to give sincere attempts to promote high accuracy energy monitoring techniques in order to enhance energy system efficiency and performance. The energy consumption data of domestic, commercial and industrial are becoming accessible to estimate the notable share of various sectors in the energy market. Energy forecasting algorithms play a vital role in energy sector development and policy formulation. Energy prediction and power supply management are the key roots of energy planning. A large number of prediction models have been used in the recent past. The selection of a prediction model usually based on available data, the objectives of the model network mechanism and energy planning operation. In this review, we conduct a critical and systematic review of renewable energy and electricity prediction models applied as an energy planning tool. The forecasting intervals is divided into three sections including: i) short-term; ii) medium-term; iii) and long-term. Three renewable energy resources, i.e. wind, solar, and geothermal energy, and electricity load demand requirement are considered for review forecasting analysis. Three major states-of-art forecasting classifications: i) machine learning algorithms; ii) ensemble-based approaches; iii) and artificial neural networks are analyzed. These approaches are investigated for prediction applicability; accuracy for spatial and temporal forecasting; and relevance to policy and planning objectives. The machine learning models can handle large amount of data with accurate forecasting analysis. Applying ensemble techniques enables us to obtain higher forecasting accuracy by combining different models. Artificial neural networks if used in the right way can contribute a robust choice, given that it is capible to extract and model unseen relationships and features. Furthermore, unlike these conventional techniques, artificial neural networks do not force any limitation on residual and input distributions. Findings from this review would help professionals and researchers in obtaining recognition of the prediction approaches and allow them to choose the relevant methods to satisfy their desired tasks and forecasting requirements.

مروری بر مدل‌های پیش‌بینی انرژی تجدید پذیر و نیاز به برق برای شبکه‌های هوشمند و ساختمان‌ها

نکات برجسته یادگیری ماشینی، مدل‌های ANN های ترکیبی برای پیش‌بینی تقاضای برق تجدید پذیر بررسی می‌شوند. * سه فاصله پیش‌بینی، یعنی کوتاه، متوسط و بلند مدت مورد بحث قرار می‌گیرند. * اهداف پیش‌بینی در برنامه‌ریزی تولید، تعهد واحد و مسائل توزیع اقتصادی خلاصه شده‌است. * مقالات تحقیقاتی با کیفیت بالا به طور کامل بررسی می‌شوند دقت پیش‌بینی آن‌ها با پنج شاخص ارزیابی عملکرد مقایسه می‌شود. مدل‌های یادگیری ماشینی برای پیش‌بینی کوتاه‌مدت، میان‌مدت و بلند مدت بهترین هستند. افزایش نیاز به بار، گرم شدن جهانی هوای کره زمین و بحران انرژی نیاز به مدیریت انرژی متمرکز دارد تا تلاش‌های صادقانه ای برای ترویج تکنیک‌های نظارت بر انرژی با دقت بالا به منظور افزایش بهره‌وری و عملکرد سیستم انرژی ارائه دهد. داده‌های مصرف انرژی داخلی، تجاری و صنعتی در حال قابل‌دسترس شدن برای برآورد سهم قابل‌توجه بخش‌های مختلف در بازار انرژی هستند. الگوریتم های پیش‌بینی انرژی نقش حیاتی در توسعه بخش انرژی و تدوین سیاست ایفا می‌کنند. پیش‌بینی انرژی و مدیریت تامین برق ریشه‌های اصلی برنامه‌ریزی انرژی هستند. تعداد زیادی از مدل‌های پیش‌بینی در گذشته استفاده شده‌اند. انتخاب یک مدل پیش‌بینی معمولا براساس داده‌های موجود، اهداف مکانیزم شبکه مدل و عملیات برنامه‌ریزی انرژی است. در این بررسی، ما یک بررسی انتقادی و سیستماتیک از مدل‌های پیش‌بینی انرژی تجدید پذیر و برق به کار رفته به عنوان یک ابزار برنامه‌ریزی انرژی انجام می‌دهیم. بازه‌های پیش‌بینی به سه بخش تقسیم می‌شوند: ۱)کوتاه‌مدت؛ ۲)میان‌مدت؛ ۳)بلند مدت. سه منبع انرژی تجدید پذیر، یعنی انرژی باد، خورشید و زمین گرمایی و نیاز به بار الکتریکی برای بررسی تجزیه و تحلیل پیش‌بینی در نظر گرفته می‌شوند. سه طبقه‌بندی اصلی پیش‌بینی هنر: ۱)الگوریتم های یادگیری ماشین؛ ۲)رویکردهای مبتنی بر ترکیب؛ ۳)و شبکه‌های عصبی مصنوعی تجزیه و تحلیل می‌شوند. این روش‌ها برای کاربرد پیش‌بینی، دقت برای پیش‌بینی فضایی و زمانی و ارتباط با اهداف سیاست و برنامه‌ریزی بررسی می‌شوند. مدل‌های یادگیری ماشین می‌توانند مقادیر زیادی از داده‌ها را با تحلیل پیش‌بینی دقیق اداره کنند. استفاده از تکنیک‌های گروهی ما را قادر می‌سازد تا دقت پیش‌بینی بالاتری را با ترکیب مدل‌های مختلف به دست آوریم. شبکه‌های عصبی مصنوعی اگر به روش درست مورد استفاده قرار گیرند می‌توانند به یک انتخاب قوی کمک کنند، با این فرض که قابل استخراج و مدل‌سازی روابط و ویژگی‌های نادیده است. علاوه بر این، بر خلاف این تکنیک‌های مرسوم، شبکه‌های عصبی مصنوعی هیچ محدودیتی را بر روی توزیع‌های باقیمانده و ورودی اعمال نمی‌کنند. یافته‌های این بررسی به متخصصان و محققان در به دست آوردن شناخت رویکردهای پیش‌بینی کمک می‌کند و به آن‌ها اجازه می‌دهد تا روش‌های مربوطه را برای برآورده کردن وظایف مطلوب خود و نیازهای پیش‌بینی انتخاب کنند.

ترجمه شده با