Development of an XAI-Based Residential Load Forecasting Model

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