Tidsserieprognose for energidata ved hjelp av spatio-temporal dyp læring

I dagens sammenkoblede og konkurransedyktige energilandskap har nøyaktige prognoser blitt stadig viktigere for effektiv nettstyring, integrering av fornybar energi og bærekraftig energiplanlegging. 

På et overordnet nivå innebærer tidsserieprognose å analysere sekvensielle datapunkter samlet med jevne mellomrom for å forutsi fremtidige trender og støtte datadrevne beslutninger. På energiområdet omfatter det å forutsi elektrisitetsetterspørsel, fornybar energiproduksjon og nettatferd på tvers av flere sammenkoblede systemer.

Moderne kraftsystemer er preget av kompleksitet og økt integreringen av fornybare energikilder. Det involverer flere variabler som stammer fra ulike kilder – fra sol- og vindkraftproduksjon til strømforbruksmønstre på tvers av bolig-, kommersielle og industrielle sektorer. Prognostisering i slike miljøer er utfordrende på grunn av fornybare kilders intermitterende natur, forbrukernes stokastiske atferd og de intrikate gjensidige avhengighetene mellom systemkomponenter. Tradisjonelle prognosemetoder sliter ofte med ikke-lineariteten, høy dimensjonalitet og dynamiske temporale mønstre som finnes i moderne energidata.

Digitalisering og dyp læring

Energiprognostisering har blitt betydelig digitalisert og automatisert, med dype læringsmodeller som spiller en stadig mer sentral rolle. Likevel, til tross for fremskritt innen maskinlæring, står de fleste eksisterende metoder overfor kritiske begrensninger: de opererer ofte som "sorte bokser", mangler tilstrekkelige mekanismer for å modellere variabelavhengigheter, og sliter med å gi pålitelig usikerhetskvantifisering som er avgjørende for beslutningstaking under usikkerhet. Derfor er det behov for avanserte tilnærminger som ikke bare oppnår høy prediktiv nøyaktighet, men også tilbyr tolkbarhet og probabilistiske prognoser.

Rammeverk for avansert prognostisering

Hovedmålet med denne avhandlingen er å utvikle avanserte dype læringsrammeverk for prognostisering av energitidsseriedata, med spesifikt fokus på å fange romlig-temporale avhengigheter og kvantifisere usikkerhet. Rammeverket tar sikte på å gjøre det mulig for energileverandører og nettoperatører å ta mer informerte beslutninger ved å gi både nøyaktige punktprognoser og pålitelige sannsynlighetsfordelinger.

Forskningen begynte med å undersøke grafbaserte nevrale nettverkstilnærminger for å modellere de komplekse gjensidige avhengighetene som finnes i industrielle energisystemer og energinett. En innovativ metode kalt eXplainable Causal Graph Neural Network (X-CGNN) ble utviklet, som utnytter kausal inferens til å oppdage skjulte relasjoner mellom variabler samtidig som den gir både globale og lokale forklaringer på prediksjoner. Denne tilnærmingen forbedrer modelltransparens og støtter tillit til AI-drevne prognosesystemer.

For å adressere det kritiske behovet for usikerhetskvantifisering, ble et nytt probabilistisk prognoserammeverk introdusert basert på støyreduserende diffusjonsprobabilistiske modeller (DDPMs). Graph-based Denoising Diffusion Probabilistic Model (G-DDPM) modellerer eksplisitt variabelavhengigheter gjennom grafstrukturer samtidig som den genererer pålitelige probabilistiske prognoser. Dette ble ytterligere forbedret med Spatio-Temporal Denoising Diffusion Probabilistic Model (ST-DDPM), som integrerer transformer-arkitekturer og graf nevrale nettverk for samtidig å fange temporal dynamikk og romlige korrelasjoner.

Casestudier som spenner over industrielle IoT-systemer, strømetterspørsel på husholdnings- og distribusjonsnivå, og storstilte kraftnettverk ble gjennomført for å validere effektiviteten og praktisk relevans av disse rammeverkene. Metodene demonstrerte toppmoderne ytelse, og oppnådde betydelige forbedringer i prognosenøyaktighet, usikerhetskvantifisering og modelltolkbarhet sammenlignet med eksisterende tilnærminger.

Personalia

Amir Miraki (f. 1994) er forsker og doktorgradskandidat med bachelorgrad i elektroteknikk og mastergrad i telekommunikasjonsteknikk fra Iran. Siden han flyttet til Norge i 2022 for å ta en doktorgrad ved Høgskulen på Vestlandet (HVL), har han utviklet avanserte dype læringsrammeverk for energitidsserieprognose. Arbeidet hans kombinerer romlig-temporal modellering, graf nevrale nettverk og probabilistiske prognosemetoder.

Amirs forskning bidrar til utviklingen av mer pålitelige og tolkbare AI-systemer for bærekraftig energistyring. Han arbeider nå som dataforsker i industrien, med hovedfokus på ny teknologi og generativ AI. 

Zoom-lenke

https://hvl.zoom.us/j/61365660038?pwd=AHQ7LnyDRWp0mn8zObZtVXAgSammJc.1

Meeting ID: 613 6566 0038/Passcode: 232559

Prøveforelesning

Tid: Torsdag 26. februar kl. 10:15
Sted: HVL, campus Bergen, K2, rom M005
Tema for prøveforelesing: One tool fits all in time series forecasting?: the role of physics and human behavior in energy networks  

Disputas

Tid: Torsdag 26. februar kl. 13:15
Sted: HVL, campus Bergen, K2, rom M005
Avhandlingens tittel: Time Series Energy Data Forecasting using Spatio-Temporal Deep Learning

Veiledere

• Hovedveileder: Professor Reza Arghandeh, Høgskulen på Vestlandet
• Biveileder: Førsteamanuensis Pekka Parviainen, Universitetet i Bergen
• Biveileder: Førsteamanuensis Mojtaba Yousefi, Høgskulen på Vestlandet

Bedømmelseskomité

• Komitéleder: Førsteamanuensis Miriam Gjerdevik, HVL
• Førsteopponent: Professor Luca Schenato, University of Padova, Italia
• Andreoppnonent: Professor Mette Helene Bjørndal, NHH Norges Handelshøyskole

Disputasleder: Roger Henning Normann