A Holistic Approach to Power Systems Using Innovative Machine Learning and System Dynamics

Abstract

The digital revolution requires greater reliability from electric power systems. However, predicting the growth of electricity demand is challenging as there is still much uncertainty in terms of demographics, industry changes, and irregular consumption patterns. Machine learning has emerged as a powerful tool, particularly with the latest developments in deep learning. Such tools can predict electricity demand and, thus, contribute to better decision-making by energy managers. However, it is important to recognize that there are no efficient methods for forecasting peak demand growth. In addition, features that add complexity, such as climate change and economic growth, take time to model. Therefore, these new tools can be integrated with other proven tools that can be used to model specific system structures, such as system dynamics. This research proposes a unique framework to support decision-makers in dealing with daily activities while attentively tracking monthly peak demand. This approach integrates advances in machine learning and system dynamics. This integration has the potential to contribute to more precise forecasts, which can help to develop strategies that can deal with supply and demand variations. A real-world case study was used to comprehend the needs of the environment and the effects of COVID-19 on power systems; it also helps to demonstrate the use of leading-edge tools, such as convolutional neural networks (CNNs), to predict electricity demand. Three well-known CNN variants were studied: a multichannel CNN, CNN-LSTM, and a multi-head CNN. This study found that the multichannel CNN outperformed all the models, with an R2 of 0.92 and a MAPE value of 1.62% for predicting the month-ahead peak demand. The multichannel CNN consists of one main model that processes four input features as a separate channel, resulting in one feature map. Furthermore, a system dynamics model was introduced to model the energy sector’s dynamic behavior (i.e., residential, commercial, and government demands, etc.). The calibrated model reproduced the historical data curve fairly well between 2005 and 2017, with an R2 value of 0.94 and a MAPE value of 4.8%. © 2023 by the authors.

La revolución digital requiere una mayor confiabilidad de los sistemas de energía eléctrica. Sin embargo, predecir el crecimiento de la demanda de electricidad es un desafío ya que todavía hay mucha incertidumbre en términos demográficos, cambios en la industria y patrones de consumo irregulares. El aprendizaje automático se ha convertido en una herramienta poderosa, particularmente con los últimos avances en aprendizaje profundo. Estas herramientas pueden predecir la demanda de electricidad y, por tanto, contribuir a una mejor toma de decisiones por parte de los gestores de energía. Sin embargo, es importante reconocer que no existen métodos eficientes para pronosticar el crecimiento máximo de la demanda. Además, toma tiempo modelar las características que añaden complejidad, como el cambio climático y el crecimiento económico. Por lo tanto, estas nuevas herramientas se pueden integrar con otras herramientas probadas que se pueden utilizar para modelar estructuras de sistemas específicos, como la dinámica de sistemas. Esta investigación propone un marco único para ayudar a los tomadores de decisiones a abordar las actividades diarias y, al mismo tiempo, realizar un seguimiento atento de la demanda máxima mensual. Este enfoque integra avances en el aprendizaje automático y la dinámica de sistemas. Esta integración tiene el potencial de contribuir a pronósticos más precisos, lo que puede ayudar a desarrollar estrategias que puedan abordar las variaciones de la oferta y la demanda. Se utilizó un estudio de caso del mundo real para comprender las necesidades del medio ambiente y los efectos del COVID-19 en los sistemas eléctricos; también ayuda a demostrar el uso de herramientas de vanguardia, como las redes neuronales convolucionales (CNN), para predecir la demanda de electricidad. Se estudiaron tres variantes de CNN bien conocidas: una CNN multicanal, una CNN-LSTM y una CNN de múltiples cabezas. Este estudio encontró que la CNN multicanal superó a todos los modelos, con un R2 de 0,92 y un valor MAPE del 1,62% para predecir la demanda máxima del mes siguiente. La CNN multicanal consta de un modelo principal que procesa cuatro características de entrada como un canal separado, lo que da como resultado un mapa de características.