e_Buah Biblioteca Digital Universidad de Alcalá
Publicación
Artículo científico (JournalArticle)
Predicting weather-related power outages in large scale distribution grids with deep learning ensembles
Los eventos meteorológicos son los principales responsables de las interrupciones en el suministro eléctrico, lo que pone de manifiesto la necesidad de predecir con precisión estos cortes de energía relacionados con el clima. Este artículo se centra en la predicción de las incidencias diarias reportadas en redes eléctricas dentro de regiones específicas, utilizando las condiciones meteorológicas como variables predictivas clave. Para la selección de las ubicaciones óptimas de nodos de Reanálisis empleados como predictores, se ha considerado un enfoque de selección de características basado en optimización. Con el fin de superar el problema del desbalance de datos y mejorar la precisión de la predicción, se propone un algoritmo en conjunto basado en Aprendizaje Profundo (DL). Se consideran cinco arquitecturas DL distintas, generando múltiples aprendices individuales con hiperparámetros seleccionados aleatoriamente. La diversidad se garantiza entrenando cada modelo con conjuntos de datos ligeramente diferentes, obtenidos mediante muestreo aleatorio. Tres técnicas de fusión de información se utilizan para construir los modelos finales en conjunto. El enfoque propuesto ha sido evaluado con éxito en la predicción de incidencias diarias reales reportadas en líneas de distribución de dos provincias españolas, Valencia y Albacete, logrando una predicción precisa de los días con incidencias extremas, al tiempo que mantiene un buen rendimiento global y una baja tasa de falsas alarmas. Los modelos con mejor desempeño que emplean esta metodología alcanzan tasas de detección del 38 % y del 73 %, con tasas de falsas alarmas del 1 % y del 3 %, respectivamente. Este enfoque no solo mejora la precisión de la predicción en comparación con los aprendices individuales, sino que también incrementa la capacidad de generalización y la robustez de los modelos DL independientes. Además, reduce de manera efectiva el sobreajuste inherente a estos métodos, eliminando la necesidad de un proceso complejo de selección de hiperparámetros., Weather events are primarily contributors to electrical supply disruptions, prompting the need to accurately forecast these weather-related power outages. This paper focuses on predicting daily reported incidences in electrical grids within specific regions, leveraging weather conditions as specific predictive variables. An optimization-based feature selection approach has been considered for selecting the optimal Reanalysis node locations used as predictors. To overcome the data imbalance challenge and enhance prediction accuracy, we propose a Deep Learning-based (DL) ensemble algorithm. Five distinct DL architectures are considered, generating multiple individual learners with randomly selected hyperparameters. Diversity is ensured by training each model with slightly different randomly sampled data. Three information fusion techniques construct the final ensemble models. The proposed approach has been successfully evaluated in predicting real daily reported incidences in distribution lines across two Spanish provinces, Valencia and Albacete, achieving an accurate prediction of days with extreme incidences while maintaining a good overall performance and a low rate of false alarms. The top-performing models using this methodology achieve detection rates of 38% and 73%, with false alarm rates of 1% and 3%, respectively. This approach not only enhances prediction accuracy compared to individual learners but also improves the generalization ability and robustness of standalone DL models. Additionally, it effectively reduces the inherent overfitting of these methods, removing the necessity for a complex hyperparameter selection process., Agencia Estatal de Investigación