Development of an XAI-Based Residential Load Forecasting Model

Abstract

Den stadig økende kompleksiteten i kraftsystemet har introdusert et større behov for prognoser for å holde nettet stabilt. Lastprognoser har vært en avgjørende del av planlegging og vedlikehold gjort av kraftsystemoperatører, på både kort og lang sikt. På grunn av manglende teknologi har lastprognoser i hovedsak blitt brukt på regionalt nivå. Imidlertid har revolusjonen innen sensorteknologi og databehandling for maskinlæring også muliggjort utviklingen av lastprognoser for boliger. Dagens praksis innen maskinlæring består av black box modeller, som er svært kompliserte og gir lite innsikt og pålitelighet. Forklarbar kunstig intelligens har sett en økt i utvikling, slik at domeneeksperter og andre kan forstå valgene til modellen.

Denne oppgaven tar sikte på å utvikle en lastprognose-modell for strømforbruk en time frem i tid, for et bolighus ved å bruke forklarbar kunstig intelligens. Flere LSTM- og CNN-LSTM-modeller ble foreslått basert på et teoretisk grunnlag. Under utviklingsfasen ble det forklarbare kunstige intelligensverktøyet Shapley additive explanations brukt til å undersøke og øke ytelsen ved funksjonsevaluering. I tillegg ble anomalier og feilvurderinger undersøkt i håp om å få innsikt i atferden og en større forståelse av modellen og dens omgivelser. Det ble funnet at bruken av forklarbar kunstig intelligens forbedret modellens ytelse betydelig og ga innsikt om hvilke funksjoner som skulle inkluderes og utelates. Overraskende nok presterte LSTM-modellene bedre enn CNN-LSTM hybridmodellene. Dessuten ble modellen ytterlige forbedret ved å inkludere regionale lastprognoser. Det ble og konkludert ved hjelp av forklarbar kunstig intelligens at de best ytende modellene var de med et færre antall innputvariabler.

Forbedringene og økt innsikt gitt av forklarbar kunstig intelligens funnet i denne oppgaven antyder at det er et potensial for forklarbar kunstig intelligens til å være en grunnleggende vei mot pålitelig kunstig intelligens. For å nå sitt potensiale vil det være nødvendig med mer forskning innen temaet.

The ever-increasing complexity in the power system has introduced a higher demand for forecasting to keep the grid stable. Load forecasting has been an integral part of planning and maintenance by power system operators for both short and long horizons. Due to lacking technology, load forecasting has mainly been applied at the regional level. However, the revolution in sensor technology and data processing for machine learning has also enabled the investigation of residential load forecasting. The current practice within machine learning consists of black box models, which are highly complicated, giving little insight and reliability. Explainable artificial intelligence aims to solve this by allowing domain experts and others to understand the choices of the model.

This thesis aims to develop an hour-ahead load forecasting model for a residential home using explainable artificial intelligence. Multiple LSTM and CNN-LSTM models were proposed with a foundation in theory. During the development phase, the explainable artificial intelligence tool SHapley Additive exPlanations was used to investigate and increase performance by feature evaluation. Additionally, anomalies and outliers were examined in hopes of obtaining insight into the behavior and a greater understanding of the model environment. It was found that the use of explainable artificial intelligence significantly improved the model’s performance and gave an indication of which features to include and omit. Surprisingly, the LSTM model outperformed the CNN-LSTM hybrid models. Moreover, including regional load forecasting further enhanced the model. Finally, it was found that including too many features limited performance.

The improvements and increased insights provided by explainable artificial intelligence found in this thesis suggest that there is a potential for explainable artificial intelligence to be a fundamental path toward trustworthy artificial intelligence. However, to reach its potential, more research is needed.