Building electric load 24 h forecasting with empirical mode decomposition and long short-term memory machine learning

Short term electric load forecasting is common and well researched at the system and substation level, and with the increase in distributed energy generation and storage it is becoming more common at the low voltage customer level. A building load forecast on the order of a 24 hours is required for economic dispatch of behind-the-meter energy storage, especially in anticipation of high demand events. This forecast is challenging because of minimal spatial aggregation of load compared to the substation or system level. Therefore, this work improves on the industry and literature state of the art by (a) reviewing the academic literature on methods and similar problems, (b) performing a detailed statistical analysis of a single building’s electric load, and (c) modeling and forecasting the load using a hybrid Empirical Mode Decomposition (EMD) and Long Short Term Memory (LSTM) model. The model successfully reduces the forecast error compared to naive persistence and a baseline Artificial Neural Network (ANN), but more work should be done to understand the benefits of EMD in feature selection, improve the LSTM-EMD architecture, and assess the general applicability of this method on different datasets.

La previsione del carico elettrico a breve termine è un argomento di grande interesse, comunemente studiato a livello di sistema e sottostazione. L’aumento della generazione distribuita e della possibilità di accumulo, inoltre, ha enfatizzato la necessità di dettagliare tale previsione a livello di utente finale in bassa tensione, al fine di ottimizzare il dispacciamento in particolar modo in caso di forti incrementi della domanda elettrica. Riducendo la dimensione dell’utente e il livello di aggregazione, la previsione a breve termine si rende notoriamente più complessa. Pertanto, questo lavoro si pone l’obiettivo di investigare quanto già sia stato proposto e sia comunemente adottato e quindi di migliorare lo stato dell’arte tramite (a) un’approfondita revisione della letteratura rispetto a metodi e problemi simili, (b) l’elaborazione di un’analisi statistica dettagliata del carico elettrico di un’utenza alberghiera e (c) la modellazione e previsione del carico utilizzando un modello ibrido che sfrutti la “Empirical Mode Decomposition” (EMD) e le “Long Short Term Memory” (LSTM) Artificial Neural Networks (ANN). Il modello proposto è in grado di ridurre l’errore di previsione rispetto alla persis- tenza e a una ANN feed forward assunte come riferimento in questo lavoro. Ulteriori analisi saranno svolte in futuro al fine di comprendere ulteriormente i vantaggi che l’EMD presenta nella selezione delle caratteristiche da fornire in ingresso alle LSTM, nonché l’architettura LSTM-EMD ottimale e valutare le generalità di questo metodo in altri contesti e casi studio.