Short-Term Hourly Hydropower Prediction: Evaluating Long Short-Term Memory (LSTM) and Mixed-Integer Linear Programming (MILP)-Based Methods

Technische Samenvatting: Korte-termijn Uurlijkse Waterkrachtvoorspelling via LSTM en MILP

Probleemstelling
Het artikel behandelt het probleem van de kortetermijnplanning van waterkracht (Short-Term Hydropower Scheduling, STHS), met een specifieke focus op de voorspelling van de uurlijkse waterafvoer voor twee onderling verbonden waterkrachtcentrales (Chute-du-Diable en Chute-à-la-Savane) aan de Péribonka-rivier in Quebec, Canada. De kernuitdaging bestaat uit het beheren van waterbronnen om aan de energievraag te voldoen, terwijl rekening wordt gehouden met reservoirbeperkingen en operationele realiteiten. Traditionele benaderingen vertrouwen op Mixed-Integer Linear Programming (MILP) om de productie te optimaliseren, maar deze modellen kampen met schaalbaarheidsproblemen en computationele complexiteit, vooral bij het omgaan met niet-convexe problemen en grootschalige systemen. Hoewel machine learning (ML) veelbelovend is gebleken voor middel- en langetermijnvoorspellingen, blijft de toepassing ervan op kortetermijn, uurlijkse planning onderbelicht, met name voor run-of-river systemen waarbij de waterafvoer sterk afhankelijk is van de stroomopwaartse instroom en de variabiliteit van de natuurlijke instroom.

Methodologie
De studie stelt een autoregressief Long Short-Term Memory (LSTM) model voor en evalueert dit, dat ontworpen is om de totale waterafvoer (som van afvoerdebiet en overloop) voor een horizon van 96 uur te voorspellen.

• Databron: Het model maakt gebruik van 12 jaar historische gegevens (december 2010 – december 2022) verstrekt door Rio Tinto. De dataset bevat uurlijkse kenmerken zoals reservoirvolume, status van de turbine-units, natuurlijke instroom en energieproductie.
• Preprocessing: Bij de gegevensreiniging is rekening gehouden met het gladstrijken van uitschieters in de natuurlijke instroom en de afvoerwaarden. Een voortschrijdend gemiddelde (Moving Average, MA) werd toegepast op toekomstige instroomkenmerken om ruis te verminderen en deterministische scenario's voor training te representeren. Voor de stroomafwaartse centrale (CalS) werd de totale instroom berekend door de stroomopwaartse afvoer van de andere centrale (CdD) op te tellen bij de lokale natuurlijke instroom, waarbij werd erkend dat er geen vertraging in de reistijd tussen de twee centrales is.
• Modelarchitectuur: De voorgestelde oplossing is een gesuperviseerd, autoregressief LSTM-model.
  • Input: Een venster van de voorgaande 48 uur aan gegevens (inclusief reservoirvolume, actieve eenheden en instroomvoorspellingen).
  • Mechanisme: Het model werkt in een feedbackloop waarbij de voorspelling voor één tijdstap wordt teruggekoppeld als input voor de volgende stap, waardoor het een sequentie van 96 toekomstige uren kan genereren.
  • Configuratie: Het model gebruikt 256 LSTM-cellen, de NADAM-optimizer en een Mean Squared Error (MSE) loss-functie. Het werd getraind op 80% van de data (84.000 instanties) en getest op 20% (20.938 instanties).
• Benchmarking: De prestaties van het LSTM-model werden vergeleken met:
  1. Een deterministisch MILP-model (voorheen ontwikkeld voor dit specifieke systeem) dat de energieopwekking maximaliseert binnen de grenzen van reservoir- en unit-commitment beperkingen.
  2. Historische operationele beslissingen (werkelijke gegevens).
• Evaluatiemetrieken: De prestaties werden beoordeeld met behulp van Mean Absolute Error (MAE), MSE en Root Mean Squared Error (RMSE). Cruciaal was de evaluatie van de haalbaarheid door te analyseren of de voorspelde reservoirvolumes de fysieke grenzen (minimum- en maximumniveaus) respecteerden en door de resulterende energieproductie te berekenen.

Belangrijkste Resultaten

• Voorspellingsnauwkeurigheid: Het LSTM-model slaagde erin om temporele patronen in de waterafvoer te vangen. De CalS-centrale (stroomafwaarts) vertoonde betere prestatiecijfers (lagere MSE en MAE) dan de CdD-centrale, waarschijnlijk door de inclusie van stroomopwaartse afvoerkenmerken, wat hielp bij de correlatie van de operaties.
• Vergelijking met MILP en de Realiteit:
  • In 2021 (jaren met lagere instroom) vielen de LSTM-voorspellingen over het algemeen tussen de geoptimaliseerde MILP-beslissingen en de historische werkelijke beslissingen in, wat wijst op een compromisgedrag.
  • In 2020 (jaren met hoge instroom) neigde het LSTM naar lagere afvoerwaarden vergeleken met zowel de realiteit als de MILP-optimalisatie.
• Haalbaarheid en Beperkingen: Een belangrijke geïdentificeerde beperking was het onvermogen van het model om reservoirbeperkingen expliciet af te dwingen.
  • Terwijl het MILP-model strikt de volumegrenzen naleefde, produceerde het LSTM-model in verschillende gevallen onhaalbare oplossingen, met name tijdens perioden van hoge instroom (bijv. 2020), waarbij de voorspelde reservoirvolumes de maximale capaciteit overschreden.
  • Het model had moeite met het aanpassen aan plotselinge, abrupte veranderingen in de waterafvoer, waarbij het voorspellingen vaak geleidelijk aanpaste in plaats van onmiddellijk, wat leidde tot fouten in de volumeaccumulatie over de horizon van 96 uur.
• Horizonbeperkingen: De auteurs observeerden een degradatie in de voorspellingsnauwkeurigheid na ongeveer 72 uur, wat suggereert dat de 96-uurs horizon die gebruikt werd voor de vergelijkbaarheid met het MILP-model, te lang is voor de huidige autoregressieve opzet.

Betekenis en Claims
Het artikel beweert de eerste toepassing van een gesuperviseerd autoregressief LSTM-model te zijn die specifiek is ontworpen om toekomstige waterdoorstroombeslissingen voor een waterkrachtsysteem te voorspellen met behulp van voorgaande planttoestanden. De belangrijkste bijdragen zijn:

1. Benchmarking: Het biedt een duidelijke, directe vergelijking tussen een data-gedreven Recurrent Neural Network (RNN) benadering en een traditionele MILP-optimalisatiemethode voor het STHS-probleem, een gat dat in de bestaande literatuur wordt opgemerkt.
2. Proof of Concept: Het demonstreert dat ML-modellen operationele beslissingen kunnen benaderen en de sequentiële afhankelijkheden die inherent zijn aan de planning van waterkracht kunnen vangen, wat een potentieel alternatief biedt voor computationeel zware optimalisatiemodellen.
3. Beperkingen als Toekomstige Richting: De auteurs concluderen bescheiden dat hoewel het LSTM een levensvatbaar en snel alternatief biedt voor kortetermijnbeheer, het momenteel een gebrek heeft aan expliciete afhandeling van beperkingen. Zij identificeren de noodzaak voor toekomstig werk om mechanismen voor beperkingen te integreren (bijv. correctie na voorspelling of hybride modellen), de voorspellingshorizon te verkorten om de nauwkeurigheid te verbeteren, en de onzekerheid van de instroom beter te modelleren.

De studie positioneert het LSTM niet als een volledige vervanging voor optimalisatie in alle contexten, maar als een veelbelovend instrument voor snelle, adaptieve besluitvorming die traditionele methoden complementeert, mits de haalbaarheidsbeperkingen in toekomstige iteraties worden geadresseerd.