Short-term electricity demand prediction in smart grids: evaluating efficacy of advanced modeling techniques

The electricity industry is considered a fundamental industry of a country and a significant pillar in the growth and advancement of modern societies. Given that electricity industry projects require substantial investment and lengthy timelines on one side, and considering that current technology still doesn't enable large-scale energy storage, production planning must align with the demand for electrical energy. Additionally, achieving accurate performance of all components within a power system without precise information about consumers' future power needs is a challenging task. Various sectors, including economic sectors, production planning, transmission, etc., rely on information derived from this forecasting. Hence, load prediction becomes a crucial component in the operation and management of power systems. It's evident that the more accurate the load prediction, the smoother the network's functionality with fewer disruptions. Consequently, this thesis conducts a comprehensive review comparing non-intelligent and intelligent methods. The conducted review indicates that the performance of Short-Term Load Forecasting (STLF) models depends on various factors such as data size and quality, forecasting horizon, and the complexity of underlying relationships between variables. Intelligent models outperform statistical models, and hybrid models combining both statistical and intelligent models perform even better. However, the relative performance of these models may vary depending on the application and dataset. For instance, statistical models might perform well when dealing with constant and linear data or limited data availability. Intelligent models might excel when handling non-linear, non-constant data with a large volume available. Hybrid models might show good performance when both linear and non-linear relationships exist between variables, and data contain noise or missing values.

L'industria dell'elettricità è considerata un'industria fondamentale di un paese e un pilastro significativo nella crescita e nel progresso delle società moderne. Dato che i progetti dell'industria elettrica richiedono investimenti sostanziali e tempi lunghi da un lato, e considerando che la tecnologia attuale non consente ancora lo stoccaggio di energia su larga scala, la pianificazione della produzione deve allinearsi con la domanda di energia elettrica. Inoltre, ottenere prestazioni accurate di tutti i componenti all'interno di un sistema di alimentazione senza informazioni precise sulle future esigenze energetiche dei consumatori è un compito impegnativo. Vari settori, inclusi i settori economici, la pianificazione della produzione, la trasmissione, ecc., dipendono dalle informazioni derivate da queste previsioni. Pertanto, la previsione del carico diventa un componente cruciale nell'operazione e nella gestione dei sistemi di alimentazione. È evidente che quanto più accurata è la previsione del carico, tanto più agevole sarà il funzionamento della rete con meno interruzioni. Di conseguenza, questa tesi conduce una revisione completa confrontando metodi non intelligenti e intelligenti. La revisione condotta indica che le prestazioni dei modelli di previsione del carico a breve termine (Short-Term Load Forecasting - STLF) dipendono da vari fattori come la dimensione e la qualità dei dati, l'orizzonte di previsione e la complessità delle relazioni sottostanti tra le variabili. I modelli intelligenti superano i modelli statistici e i modelli ibridi che combinano entrambi i modelli statistici e intelligenti performano ancora meglio. Tuttavia, le prestazioni relative di questi modelli possono variare a seconda dell'applicazione e del dataset. Ad esempio, i modelli statistici possono performare bene quando si tratta di dati costanti e lineari o con disponibilità di dati limitata. I modelli intelligenti possono eccellere quando si tratta di dati non lineari, non costanti e con un grande volume disponibile. I modelli ibridi possono mostrare buone prestazioni quando esistono relazioni sia lineari che non lineari tra le variabili e i dati contengono rumore o valori mancanti.