بررسی تاثیر ادغام اطلاعات مناطق الکتریکی مختلف در پیش بینی بار شبکه قدرت با ارائه یک روش نوین پیش بینی سلسله مراتبی
Publish place: Journal of Iranian Association of Electrical and Electronics Engineers، Vol: 19، Issue: 1
Publish Year: 1401
نوع سند: مقاله ژورنالی
زبان: Persian
View: 167
This Paper With 12 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_JIAE-19-1_027
تاریخ نمایه سازی: 18 اردیبهشت 1401
Abstract:
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
Authors
زهره کاهه
Department of Power System Operation and Planning,Niroo Research Institute (NRI)
مرتضی شعبان زاده
Department of Power System Operation and Planning,Niroo Research Institute (NRI)
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :