Implementing LSTM machine learning in long-term hydropower scheduling

Abstract

Energiforbruket øker raskt globalt, og med miljøkrisen erstatter stadig flere mennesker fossile brensler med fornybare energikilder. De nye fornybare energikildene er ikke like fleksible og pålitelige som de gamle fossile energikildene, noe som kan føre til ustabilitet i strømnettet. Vannkraftverk kan planlegges, og dermed stabilisere strømnettet, men den økte kompleksiteten i planleggingen gjør at beregningstiden blir for lang til å gjennomføre en vanlig vannkraftplan ofte nok. Derfor kan maskinlæring bidra til å redusere tidskompleksiteten og dermed tillate hyppigere planlegging. Etter en litteraturgjennomgang har LSTM nevrale nettverkmodellen vist seg å være en mulig løsning for denne forskningen. Etter å ha testet modellen viste det seg at LSTM-modellen hadde 99,7% lavere beregningstid, men nøyaktigheten med MAPE-evalueringen så lav som 67,5% oppfylte ikke en standard der modellen kunne anbefales som en erstatning, men den kan brukes som et supplement.

The energy demand is rapidly increasing worldwide, and with the environmental crisis is, more people substituting fossil fuels with renewable energy sources. The new renewable energy sources are not as flexible and reliable as the old fossil power sources, which can unstabilize the power grid. Hydropower plants can be scheduled, and therefore stabilize the power grid, but the higher complexity in scheduling makes the computational time too high to conduct a hydropower schedule often enough. Therefore might, machine learning help with lowering the time complexity, and thereby let the scheduling be done at a higher frequency. From a literature review, have the LSTM neural network model been a possible fit for this research. After testing the model the LSTM model had a 99.7% lower computational time, but the accuracy with MAPE evaluation as low as 67.5% did not hold a standard where the model could be recommended as a substitute, but it can be used as a supplement.