پژوهشگر

همکاران پژوهشگر

چکیده پژوهش

پيش بيني کوتاه مدت بار، در هماهنگي نيروگاه ها ، عملکرد اقتصادي سيستم، طرح¬هاي انتقال انرژي و در کنترل زمان حقيقي سيستم از اهميت بالايي برخوردار است. عملكرد اقتصادي همراه با قابليت اطمينان براي يك سيستم قدرت، به طور زيادي بستگي به دقت پيش بيني بار دارد. به منظور دستيابي به هدف ماكزيمم كردن بازدهي عملكرد سيستم و يا به عبارتي مينيمم كردن هزينه كلي سيستم، كاركرد صحيح توابعي شبيه اختصاص سوخت، هماهنگي واحدهاي نيروگاهي و برنامه ريزي به منظور تعمير و نگهداري الزامي است. كاركرد صحيح اين توابع، در نتيجه پيش بيني دقيق بار حاصل مي¬شود. تأثير خطاي زياد در پيش بيني، باعث مي شود كه سيستم ما يا داراي عملكرد بيش از حد محتاط و يا داراي عملكرد بيش از حد ريسك پذير باشد. تخمين بار بيش از حد واقعي ، منجر به راه اندازي واحدهاي زيادي از نيروگاه، خريد انرژي (سوخت) بيش از حد مورد نياز و فراهم آوردن انرژي بيش از حد مورد نياز مصرف مي شود. همچنين تخمين بار كمتر از مقدار واقعي باعث آسيب پذيري سيستم مي شود، كه در نتيجه آن، با وارد كردن واحدهاي اضطراري به منظور تأمين بارهاي اضافي، سيستم هزينه بيشتري را (در مقايسه با عملكرد برنامه ريزي شده سيستم) متحمل مي شود. بنابراين بهبود در دقت پيش بيني بار منجر به صرفه¬جويي در هزينه و افزايش امنيت سيستم مي شود. اين گزارش، به پيش بيني کوتاه مدت بار الکتريکي استان چهار محال و بختياري با استفاده از اجماعي از شبکه هاي عصبي مي پردازد. به منظور انجام اين پروژه، بعد از جمع آوري و طبقه بندي داده هاي بار گذشته و اطلاعات آب و هوايي شبيه دما، طراحي، آموزش و تست شبكه صورت مي گيرد. در طراحي شبكه به منظور پيش بيني كوتاه مدت بار، ملاحظات فراواني بايد در نظر گرفته شود، كه خود بيانگر پيچيدگي مسأله پيش بيني كوتاه مدت بار مي باشد. به عنوان مثال، روزهاي مختلف هفته، به چهار روز مختلف كاري تقسيم مي شود، شنبه به عنوان اولين روز كاري، يكشنبه تا چهارشنبه به عنوان روزهاي كاري عادي، پنجشنبه آخرين روز كاري (روز قبل از تعطيلي) و جمعه روز تعطيل. تعطيلات خاص، مثل تعطيلات نوروز و يا اعياد مذهبي نيز در اين پروژه، مورد توجه قرار مي گيرد. علاوه بر اين ها، تغييرات فصلي كه موجب تغيير الگوي بار روزانه مي شود مي بايست در نظر گرفته شود. همچنين انتخاب مناسب ترين ورودي هاي شبكه، از بين پارامترهاي تأثير گذار بر پيش بيني كوتاه مدت بار، مسأله اي مهم و نيازمند دقت است، زيرا دقت پيش بيني بار به طور زيادي از ورودي ها تأثير مي پذيرد. به طور كلي، ورودي هاي شبكه عصبي در پيش بيني کوتاه مدت بار، اطلاعات آب و هوايي (به عنوان مثال دما)، بارهاي گذشته و نوع روز کاري مي باشد. به منظور آموزش شبکه از روش هاي پس انتشار خطا و روش لومبرگ مي توان استفاده كرد. در نهايت بعد از تست شبكه هاي آموزش ديده و اطمينان حاصل كردن از صحت شبكه، شبکه هاي عصبي ديگري نيز بوجود مي آيند. در نهايت همه شبکه ها با به صورت توام يک پيش بيني کننده محسوب شده و بار روز آينده استان چهار محال و بختياري پيش بيني مي شود.

خلاصه نتایج حاصله

در این تحقیق درجات آزادي مختلفي براي شبكه عصبي پرسپترون مطرح شد شبيه؛ تعداد لايههاي مياني، تعداد نرونهاي اين لايههاي مياني، الگوريتمهاي آموزش مختلف، تعداد دادههاي مختلف و توابع انتقال مختلف. با مقايسه¬هايي كه در کار وي به منظور انتخاب مناسبترين طراحي از بين درجات آزادي مختلف انجام شد، مناسبترين طراحي براي پيشبيني كوتاه مدت بار استان چهار محال و بختياري شبكه پرسپترون سه لايه با الگوريتم آموزش LMBP و تابع تحريك سيگموئيد tansig در هر سه لايه انتخاب شد. همچنين در اين تحقيق سعي شد تا بررسي کنيم که آيا استفاده از روش SVM که به عنوان قويترين مدل يادگيري در هوش مصنوعي شناخته مي شود ، باعث بهبود کارايي پيش بيني مي شود يا نه. بعلاوه اثر روش هاي بسيار نوين و منعطف اجماع در يادگيري ماشين در کارايي پيش بيني بار، نيز بررسي شد.

فایل های پژوهش