[论文解读] Deep Learning for Intelligent Demand Response and Smart Grids: A Comprehensive Survey

B. Prabadevi, Quoc‐Viet Pham+8 more|arXiv (Cornell University)|Jan 20, 2021

Smart Grid Energy Management参考文献 124被引用 33

一句话总结

本文综述深度学习在智能需求响应和智能电网中的应用，涵盖负载预测、状态估计、能源盗用检测和能源交易。

ABSTRACT

Electricity is one of the mandatory commodities for mankind today. To address challenges and issues in the transmission of electricity through the traditional grid, the concepts of smart grids and demand response have been developed. In such systems, a large amount of data is generated daily from various sources such as power generation (e.g., wind turbines), transmission and distribution (microgrids and fault detectors), load management (smart meters and smart electric appliances). Thanks to recent advancements in big data and computing technologies, Deep Learning (DL) can be leveraged to learn the patterns from the generated data and predict the demand for electricity and peak hours. Motivated by the advantages of deep learning in smart grids, this paper sets to provide a comprehensive survey on the application of DL for intelligent smart grids and demand response. Firstly, we present the fundamental of DL, smart grids, demand response, and the motivation behind the use of DL. Secondly, we review the state-of-the-art applications of DL in smart grids and demand response, including electric load forecasting, state estimation, energy theft detection, energy sharing and trading. Furthermore, we illustrate the practicality of DL via various use cases and projects. Finally, we highlight the challenges presented in existing research works and highlight important issues and potential directions in the use of DL for smart grids and demand response.

研究动机与目标

• 介绍深度学习、智能电网和需求响应的基本原理，并解释为什么深度学习对智能电网（SG）和需求响应（DR）有益。
• 评述智能电网/需求响应中最前沿的深度学习应用，包括电力负荷预测、状态估计、能源盗用检测和能源共享/交易。
• 说明实际用例和项目以展示深度学习在 SG/DR 的适用性。
• 识别在智能电网和需求响应中应用深度学习的挑战、未解决的问题和未来方向。

提出的方法

• 提供与 SG 与 DR 相关的深度学习概念的有序概述（卷积神经网络 CNN、循环神经网络 RNN、长短时记忆网络 LSTM、门控循环单元 GRU 等）。
• 总结并综合 SG/DR 中负载预测、状态估计、盗窃检测和交易的前沿深度学习应用。
• 讨论所引文献中使用的体系结构设计和建模方法（如 DRNN-GRU、DDQN、边缘云 RL 等）。
• 展示实际用例和项目示例，以证明深度学习在 SG/DR 中的部署。
• 突出挑战并提出未来的研究方向。

实验结果

研究问题

• RQ1 哪些是适用于智能电网和需求响应的基本深度学习技术？
• RQ2 深度学习模型在 SG/DR 的电力负荷预测、状态估计、能源盗用检测以及能源共享/交易中如何应用？
• RQ3 有哪些具有代表性的用例和项目能够证明深度学习在 SG/DR 中的有效性？
• RQ4 在将深度学习应用于智能电网和需求响应时，主要挑战和未解决的问题是什么，未来研究有哪些有前景的方向？

主要发现

• 深度学习使从大型 SG 数据集中学习成为可能，比传统方法更有效地预测需求和峰值时段。
• 基于深度学习的方法已应用于负载预测、状态估计、能源盗用检测和能源交易，体系结构包括 RNN、CNN、LSTM 以及 DRL 变体。
• 若干用例和项目说明了深度学习在 SG/DR 的实际部署，包括 DRRL/ Dueling DQN 用于需求管理，以及边缘云 RL 用于 DR。
• 综述讨论了数据质量、模型可扩展性、隐私和实时部署等挑战，并概述了智能电网/需求响应中深度学习的未来方向。