بررسی تاثیر ادغام اطلاعات مناطق الکتریکی مختلف در پیش بینی بار شبکه قدرت با ارائه یک روش نوین پیش بینی سلسله مراتبی

به منظور پیش­بینی تقاضای مصرف انرژی الکتریکی یک شهر یا کشور، متداول است که داده­های تاریخی بار مناطق مختلف آن شهر و یا شهرهای مختلف آن کشور جمع­آوری و بر اساس آن تصمیمات راهبری و یا راهبردی اتخاذ شود. با این حال، ممکن است استفاده از داده های تاریخی تمام مناطق و یا انواع مختلف بارهای مصرفی (مسکونی، تجاری و صنعتی) به یک میزان حائز اهمیت نباشد؛ بدین معنی که امکان دارد تنها میزان بار مصرفی بعضی از مناطق و یا تنها میزان مصرف یک نوع بار بیشترین تاثیر و اهمیت را در تصمیم­گیری داشته باشد. از آنجایی که جمع جبری پیش­بینی­های تمام مناطق و یا انواع بار لزوما پیش­بینی مناسبی برای هدف مورد نظر ارائه نمی دهد، روش­های مختلفی برای ادغام پیش­بینی مناطق مختلف وجود دارد. در ساده ترین حالت ممکن، می­توان به سادگی داده­های مناطق مختلف را جمع جبری نمود و یک سری زمانی کلی به­دست آورد و پیش­بینی را بر اساس آن انجام داد. با این وجود، این روش ساده نه تنها همواره پیش­بینی مناسبی ارائه نمی­دهد بلکه نیازمند دسترسی به جزئیات داده های تاریخی بار و عوامل موثر آن به تفکیک هر منطقه نیز می باشد. از این رو، در این مقاله روش­های ادغام مختلفی نظیر روش های ادغام پایین به بالا، بالا به پایین و همچنین رویکرد ترکیب بهینه با در نظر گرفتن همبستگی بین سری­های زمانی زیرمجموعه معرفی شده است. با توجه به اینکه تاکنون به حوزه پیش­بینی سلسله­مراتبی در صنعت برق پرداخته نشده است؛ این مقاله با بررسی کاربرد این موضوع به طور خاص برای پیش­بینی تقاضای بار الکتریکی در شبکه قدرت از تحقیقات پیشین متمایز شده است. با توجه به تمرکز اصلی پژوهش حاضر بر تاثیر روش­های ادغام، در این مقاله از روش­های کلاسیک پیش­بینی نظیر روش خودهمبسته میانگین متحرک یکپارچه (ARIMA) و هموارسازی نمایی استفاده شده است. در این مطالعه، پیش­بینی سلسله­مراتبی کوتاه­مدت و بلندمدت برای داده­های واقعی بازار برق استرالیا انجام گرفته است. نتایج به روشنی نشان می دهند که روش ترکیب بهینه بهترین نتیجه را ارائه می­دهد.

Keywords:

Hierarchical Forecasting , Information ensemble , ARIMA , Exponential Smoothing , پیش بینی سلسله مراتبی , ادغام اطلاعات , ARIMA , هموارسازی نمایی , برنامه نویسی R