Short-Term Active Power Forecasting Under Uncertainty for Smart Distribution Grid Operation: Design of a Power Prediction model
Translated title
Short-Term Active Power Forecasting Under Uncertainty for Smart Distribution Grid Operation
Author
Shahi, Birendra
Term
4. semester
Education
Publication year
2026
Submitted on
2026-06-04
Pages
86
Abstract
Rooftop solar is spreading in low‑voltage residential grids. Homes now both consume and export electricity, so power can flow in both directions. As a result, traditional demand‑only forecasting is no longer enough to prevent line overloads (congestion). This thesis builds a short‑term forecasting and grid‑state pipeline that combines Long Short‑Term Memory (LSTM) neural networks for time‑series data with stochastic (probabilistic) state estimation. The aim is calibrated, uncertainty‑aware support for grid operations. Sixteen LSTM models are trained on one year of substation measurements, augmented with ERA5 weather data. On a December 2023 test set, the models achieve a mean absolute error (MAE) of 18.95 kW and a 95% prediction‑interval hit rate of 99.5%. Cross‑year validation in January 2024 yields a 96.1% hit rate. Forecasts are propagated through a nine‑node grid model consistent with Kirchhoff’s laws and then passed to a constrained maximum‑likelihood state estimator. This produces 95% confidence ellipses whose empirical coverage matches the target (about 95%; HRV = 95.0%, HRI = 95.1%). Finally, a three‑zone congestion risk classification (low, medium, high) turns these probabilistic results into actionable guidance for distribution system operators managing low‑voltage grids with many distributed energy resources.
Tagmonterede solcelleanlæg bliver stadig mere udbredte i lavspændingsnet i boligområder. Det betyder, at strømmen nu kan flyde både ind i og ud af nettet, når husholdninger ikke kun forbruger, men også leverer el. De gamle metoder, der kun forudsiger forbrug, rækker derfor ikke længere til at forebygge overbelastning (kongestion). Denne afhandling udvikler en korttidsprognose og tilstandsestimering, der kombinerer Long Short-Term Memory (LSTM) neurale netværk til tidsserier med stokastisk (probabilistisk) tilstandsestimering. Målet er kalibreret, usikkerhedsbevidst driftsstøtte til netoperatører. Vi træner 16 LSTM-modeller på ét års målinger fra en transformerstation, suppleret med ERA5-vejrdata. På en test i december 2023 opnås en middel absolut fejl (MAE) på 18,95 kW og en 95 %-prognoseinterval-dækning (hit-rate) på 99,5 %. Ved validering på tværs af år i januar 2024 er hit-rate 96,1 %. Prognoserne føres gennem en Kirchhoff-konsistent netmodel med ni knudepunkter og sendes derefter til en begrænset maksimum-likelihood tilstandsestimator. Det giver 95 %-konfidensellipser med empirisk dækning tæt på målet (ca. 95 %; HRV = 95,0 %, HRI = 95,1 %). Til sidst omsættes resultaterne til en tre-zoners risikoklassificering for overbelastning (lav, middel, høj), som giver konkret beslutningsstøtte til distributionssystemoperatører i lavspændingsnet med høj udbredelse af distribuerede energikilder.
[This apstract has been rewritten with the help of AI based on the project's original abstract]
Keywords