Comparison of adaptive neuro-fuzzy inference system (ANFIS) and machine learning algorithms for electricity production forecasting

Authors

Keywords:

Electricity, Power generation, Fuzzy neural networks, Machine learning, Predictive models

Abstract

Combined cycle power plants (CCPP) are popular in the energy sector for the production of electricity, and are the union of two thermodynamic cycles, corresponding to the steam turbine and the gas turbine. This paper presents the application of several machine learning (ML) techniques and the adaptive neuro-fuzzy inference system (ANFIS) to predict the hourly electricity production in a CCPP. The models were developed using 5-fold cross-validation with the collected features of temperature, exhaust pressure, relative humidity, ambient pressure, and electricity production per hour (the target feature). The hyperparameters of the tested models were optimized. The correlation and determination coefficients of the models were higher than 92%, showing a significant performance. The ANFIS (r = 98% e R2 = 95%) model shows the lowest values in the evaluated error metrics, compared to the other ML models. Finally, the results showed the effectiveness of ANFIS in predicting the hourly production of electricity in CCPP.

Downloads

Download data is not yet available.

Author Biographies

Elen Yanina Aguirre Rodríguez, Universidade Estadual Paulista

Elen Yanina Aguirre Rodríguez ,Graduada em Engenharia de Sistemas pela Universidade Nacional de Trujillo, Perú, mestrado em Engenharia Produção na Universidade Estadual Paulista (UNESP). Está atualmente cursando Doutorado em Engenharia de Mecânica (Área de Produção) na UNESP. Possui experiência na área de Engenharia de Produção e Ciência da Computação com ênfase em otimização, Machine learning, sistemas de informação, mineração de dados e reconhecimento de padrões.

Alexander Alberto Rodríguez Gamboa, Instituto Tecnológico de Aeronáutica

Alexander Alberto Rodriguez Gamboa, Graduado em Engenharia Mecânica pela Universidade Nacional de Trujillo, Perú, mestrado, doutorado em Engenharia Mecânica (Área de Energia) na Universidade Estadual Paulista (UNESP) e pós-doutorado no Instituto Tecnológico de Aeronáutica. Atualmente é professor da Universidad César Vallejo, Perú. Possui experiência na área de Combustão de combustíveis líquidos não convencionais como o óleo pirolítico de pneus.

Elias Carlos Aguirre Rodríguez, Universidade Estadual Paulista

Elias Carlos Aguirre Rodríguez, Graduado em Ciências Estatísticas pela Universidade Nacional de Trujillo, Perú. Está atualmente cursando o Mestrado em Engenharia (Área de Produção) na Universidade Estadual Paulista (UNESP). Possui experiência na área de Probabilidade e Estatística com ênfase em estatística aplicada, análise multivariada, demografia, ciência dos dados,machine learning, técnicas de amostragem e análise de dados.

Aneirson Francisco da Silva, Universidade Estadual Paulista

Aneirson Francisco da Silva, Graduado em administração pelo Centro Universitário do Triângulo, mestrado em Engenharia de Produção pela Universidade Federal de Itajubá, doutorado em Engenharia Mecânica pela Universidade Estadual Paulista (UNESP) e pós-doutorado na Universidade de São Paulo. Tem experiência na área de Engenharia de Produção, com ênfase em Pesquisa Operacional nos temas de Programação Linear, Não-Linear, Mista e Dinâmica, Design of Experiments, Teoria dos Grafos, Métodos Multicriteriais, Goal Programming e Otimização Multiobjetivo.

Paloma Maria Silva Rocha Rizol, Universidade Estadual Paulista

Paloma Maria Silva Rocha Rizol, Graduada em Engenharia Elétrica pela Universidade Estadual Paulista (UNESP), mestrado e doutorado em Engenharia Eletrônica e Computação pelo Instituto Tecnológico de Aeronáutica. Atualmente é professora assistente da UNESP. Tem experiência na área de Eletrônica, com ênfase em Projeto de Circuitos Integrados Analógicos, atuando principalmente nos temas de lógica fuzzy, fuzzy tipo-2 e fuzzy hardware

Fernando Augusto Silva Marins, Universidade Estadual Paulista

Fernando Augusto Silva Marins, Graduado em Engenharia Mecânica pela - Universidade Estadual Paulista (UNESP), mestrado em Pesquisa Operacional pelo Instituto Tecnológico de Aeronáutica, doutorado em Engenharia Elétrica pela Universidade Estadual de Campinas e pós-doutorado na Brunel University - UK. Atualmente é professor titular no Departamento de Produção da UNESP. Tem experiência na área de Engenharia de Produção, com ênfase em Pesquisa Operacional e Logística, atuando principalmente nos temas de Logística e Supply Chain Management, Pesquisa Operacional, DEA, AHP e Simulação.

References

M. Karacor, A. Uysal, H. Mamur, G. Sen, M. Nil, M. Z. Bilgin, H. DoGan, and C. Sahin, “Life performance prediction of natural gas combined cycle power plant with intelligent algorithms,” Sustainable Energy Technologies and Assessments, vol. 47, p. 101398, 2021.

J. M. Alemany, D. Moitre, and F. Magnago, “Power system reliability considering combined cycle plants,” IEEE Latin America Transactions, vol. 8, no. 5, pp. 547–556, 2010.

J. Kotowicz and M. Brzeczek, “Analysis of increasing efficiency of modern combined cycle power plant: A case study,” Energy, vol. 153, pp. 90–99, 2018.

W. Dong, Q. Yang, and X. Fang, “Multi-step ahead wind power generation prediction based on hybrid machine learning techniques,” Energies, vol. 11, no. 8, 2018

P. Tüfekci, “Prediction of full load electrical power output of a base load operated combined cycle power plant using machine learning methods,” International Journal of Electrical Power and Energy Systems, vol. 60, pp. 126–140, 2014.

C. M. Ezhilarasu and I. K. Jennions, “A system-level failure propagation detectability using anfis for an aircraft electrical power system,” Applied Sciences, vol. 10, no. 8, 2020.

S. Marsland, Machine Learning: An Algorithmic Perspective. 6000 Broken Sound Parkway NW, Suite 300, Boca Raton: Taylor and Francis Group, LLC, 2015.

R. Bali, D. Sarkar, B. Lantz, and C. Lesmeister, R: Unleash Machine Learning Techniques. 35 Livery Street, Birmingham B3 2PB,UK: Packt Publishing, Ltd, 2016.

A. Arango and J. Velásquez, “Forecasting the colombian exchange market index (igbc) using neural networks,” Latin America Transactions, IEEE (Revista IEEE America Latina), vol. 12, pp. 718–724, 06 2014.

M. M. Suarez-Alvarez, D.-T. Pham, M. Y. Prostov, and Y. I. Prostov, “Statistical approach to normalization of feature vectors and clustering of mixed datasets,” Proceedings of the Royal Society A: Mathematical, Physical and Engineering Sciences, vol. 468, no. 2145, pp. 2630–2651, 2012.

L. K. Moayedi, Hossein ADN Foong and H. Nguyen, “Soft computing method for predicting pressure drop reduction in crude oil pipelines based on machine learning methods,” Journal of the Brazilian Society of Mechanical Sciences and Engineering, vol. 42, no. 11, 2020.

A. Etemad-Shahidi and M. Taghipour, “Predicting longitudinal dispersion coefficient in natural streams using m5p model tree,” Journal of Hydraulic Engineering, vol. 138, no. 6, pp. 542–554, 2012.

M. Nait Amar and N. Zeraibi, “Application of hybrid support vector regression artificial bee colony for prediction of mmp in co2-eor process,” Petroleum, vol. 6, no. 4, pp. 415–422, 2020.

B. Kaczorowski, M. Kleina, M. Augusto Mendes Marques, and W. de Assis Silva, “Artificial intelligence and the multivariate approach in predictive analysis of the small cap index of the brazilian stock exchange,” IEEE Latin America Transactions, vol. 19, no. 11, pp. 1924–1932, 2021.

E. Alpaydin, Introduction to Machine Learning. Cambridge, Massachusetts, London, England: The MIT Press, 2004.

D. S. Prashanth, R. V. K. Mehta, and N. Sharma, “Classification of handwritten devanagari number – an analysis of pattern recognition tool using neural network and cnn,” Procedia Computer Science, vol. 167, pp. 2445–2457, 2020.

R. May, H. Maier, and G. Dandy, “Data splitting for artificial neural networks using som-based stratified sampling,” Neural networks : the official journal of the International Neural Network Society, vol. 23, pp. 283–94, 11 2009.

Published

2022-08-03

How to Cite

Aguirre Rodríguez, E. Y., Rodríguez Gamboa, A. A., Aguirre Rodríguez, E. C., da Silva, A. F., Silva Rocha Rizol, P. M., & Silva Marins, F. A. (2022). Comparison of adaptive neuro-fuzzy inference system (ANFIS) and machine learning algorithms for electricity production forecasting. IEEE Latin America Transactions, 20(10), 2288–2294. Retrieved from https://latamt.ieeer9.org/index.php/transactions/article/view/6780

Issue

Section

Electric Energy