بخشی از مقاله
چکیده:
برای پیدا کردن الگوی مصرف برق در سطح مناطق شهری، میتوان از تکنیکهای دادهکاوی استفاده کرد. برای استخراج دانش مربوط به مصرف برق، از شاخص دما و فاصله فیزیکی مناطق از خصوصیات جغرافیایی مثل مزارع، بزرگراهها، رودخانه و... استفاده میشود. در این مطالعه از الگوریتم k-means برای تشکیل خوشههای مختلف دما و مصرف برق مشترکین استفادهشده است. همچنین از قواعد انجمنی برای تحلیل نتایج فاصله فیزیکی بین مشخصات جغرافیایی و مناطق مختلف بهمنظور تفسیر نتایج استفادهشده است. این تحقیق بر روی 1080321 مشترک برق شهر اصفهان صورت گرفته است و نتایج آن نشان از تأثیر دما و نزدیکی به ویژگیهای جغرافیایی بر روی مصرف برق دارد.
1 مقدمه
دادهکاوی برای استخراج اطلاعات پنهان از پایگاههای داده بزرگ استفاده میشود تقریباًو در هر رشته از علوم و کاربردهای مهندسی استفاده میشود. تکنیکهای اصلی دادهکاوی، تجزیهوتحلیل رگرسیون، درخت تصمیمگیری، طبقهبندی و پیشبینی، خوشهبندی، قانون رابطه تجزیهوتحلیل و ترکیبی از این تکنیکها میباشد. تکنیکهای دادهکاوی اخیر در سیستم توزیع برق برای پیشبینی تأمین برق، طراحی طرحهای تعرفه و برای طبقهبندی مصرفکنندگان استفاده میشود؛ که این مباحث در مقالات[7-1]مطرحشده است. راتد و گرک [8] در مقاله خود از تکنیک دادهکاوی برای شناسایی میزان مصرف برق در شهر سانگلی با 20000 نفر جمعیت استفاده کردهاند. مصرف برق هرساله در اکثر قسمتها و مناطق افزایش پیداکرده است.[9] نصب و راهاندازی نیروگاههای تولید برق به دلیل سیاستهای کنترلی زیستمحیطی و آلودگی ، برای دولت دشوار است. برای حل این مشکل ، الگوی مناسب مصرف برق میتواند برای پیدا کردن راههای جایگزین برای مدیریت بارهای برق در آینده با ظرفیت تولید برق موجود استفاده شود. افزایش جمعیت باعث افزایش استانداردهای زندگی و وابستگی به لوازم برقی در هرروز زندگی شده است که این موضوع برای داده کاوان برای تحلیل مصرفکنندگان بر اساس میزان مصرف برق ، جمعآوری درآمد ، و تشخیص سرقت و تقلب و ... جذاب است.[10]
مناطق مختلف در هر شهر، الگوی مصرف برق متفاوتی با توجه به موقعیت جغرافیشان دارند. الگوی مصرف برق مناطق بهطور گستردهای بهوسیله ویژگیهای جغرافیایی و شرایط محیطی مثل دمای اتمسفر، رطوبت و بارش تحت تأثیر قرار میگیرد. [11] دادهکاوی از روشهای مختلفی استفاده میکند و مدلهای مختلفی بسته به نوع داده و اهداف آنها ایجاد میکند. بهطورکلی ، روشهای دادهکاوی بهصورت پیشبینی و توصیفی دستهبندی میشوند.روشهای پیشبینی تکنیکهای طبقهبندیشده و روش توصیفی ، قواعد انجمنی و خوشهبندی را پوشش میدهد.[12] بسته به نوع داده استفادهشده در تجزیهوتحلیل روشهای دادهکاوی بهعنوان وب و متنکاوی - کاربرد اینترنتی - ، مولتیمدیا کاوی - کاربردهای صوتی ، تصویری - ، دادهکاوی فضایی - کاربرد - GIS و دادهکاوی سریهای زمانی - کاربرد مالی و اقتصادی - دستهبندی میشوند.[13] هر منطقه چند صد هزار مصرفکننده دارد که برق به شیوه سلسله مراتبی در آنجا تأمین میشود. برق تولیدشده از طریق خطوط انتقال به شبکه توزیع برق، پستها، ترانسفورماتور منطقهای، قطبهای مختلف برق و در پایان به مصرفکننده منتقل میشود. محمدی و همکاران[14] در مقاله خود از یک مدل سلسله مراتبی و ترکیب 3 تکنیک دادهکاوی فازی و رگرسیون برای پیشبینی استفاده کردهاند. تکنیکهای دادهکاوی برای استخراج اطلاعات مفید دادههای مصرف برق استفاده میشود. روشهای دادهکاوی در مراحل مختلف برای تولید اطلاعات مفید و آمادهسازی مشخصات مصرف برق منطقهای استفاده میشود. دادهکاوی برای پیشبینیهای کوتاهمدت و بلندمدت در تقاضای برق، برنامهریزی،
تقلب، دزدی و عیبیابی استفاده میشود.[8]آذر و همکاران[15]در پژوهش خود ، با استفاده از تکنیکهای دادهکاوی مانند درخت تصمیم و قوانین انجمنی ، عملکرد شغلی کارکنان را موردبررسی قراردادند. در این مقاله تأثیر نزدیکی مناطق به ویژگیهای جغرافیایی و همچنین دمای اتمسفر در میزان مصرف برق در شهر اصفهان با استفاده از خوشهبندی و تحلیل قواعد انجمنی بررسیشده است. این کاربر روی 1080321 مصرفکننده برق در شهر اصفهان که طبق طبقهبندی شهرداری به 7 منطقه اصلی تقسیمشدهاند، انجامشده است. تا کنون این روش بر روی شهرهای با جمعیت کم - حدود 20 هزار نفر - بررسی شده است در حالی که در این مقاله بر روی بیش از یک میلیون نفر - کلان شهر - انجام گرفته است. ادامه مقاله بهصورت زیر خواهد بود: .1 مدل دادهکاوی .2 مطالعه موردی مصرف برق در شهرستان اصفهان .3 انتخاب، پاکسازی و پیشپردازش دادهها .4 خوشهبندی .5 دادههای مصرف برق .6 رابطه بین دمای اتمسفر و مصرف برق .7 اجرای قواعد انجمنی بر روی ویژگیهای جغرافیایی و مصرف برق و .8 نتیجهگیری و درنهایت منابع.
2 مدل دادهکاوی
مدل دادهکاوی ارائهشده تحت تأثیر الگوریتم استفادهشده در مقاله راتد و گرک[8]انجامشده است. در ابتدا رابطه بین دمای اتمسفر و مصرف برق برای استفاده دادههای مصرفی برق در طی یک سال بررسی میشود و سپس تأثیر اشیاء جغرافیایی در مصرف برق شهر در سطح منطقه بررسی میشود. چارچوب مدل دادهکاوی ارائهشده بسیار ساده است. الگوریتم مدنظر در شکل 1 نشان دادهشده است که همانطور کهقبلاً نیز اشاره شد ، ابتدا میبایست دادههای مصرفی از شرکت برق شهر اصفهان جمعآوری شود و پس از حذف دادههای پرت و غیرقابلبررسی ، خوشهبندی شود. ابتدا خوشهبندی مصرفکنندگان انجام میشود که طبق خوشهبندی دادهشده توسط شهرداری اصفهان میباشد. سپس دمای شهر نیز با الگوریتم k-means خوشهبندی میشود و در مرحله بعدی با استفاده از ویژگیهای جغرافیایی مناطق و خوشهبندیهای انجامشده ، قوانین انجمنی تولید و استفاده میشود.
3 مطالعه موردی مصرف برق در شهرستان اصفهان
این مطالعه از دادههای مصرفکنندگان شهرستان اصفهان با طول جغرافیایی طول جغرافیایی 51 درجه و 39 دقیقه و 40 ثانیه شرقی و عرض جغرافیایی 32 درجه و 38 دقیقه و 30 ثانیه شمالی میباشد. اصفهان در 435 کیلومتری تهران و در جنوب این شهر قرار دارد. سطح شهر از سطح عمومی دریاها حدود 1570 متر ارتفاع دارد و در قسمت شمالی و شرقی به کویر محدود میگردد و در قسمت غربی و جنوبی نیز به سلسله کوههای زاگرس منتهی میشود. کوهستان کرکس در پنجاه کیلومتری شمال اصفهان و زرد کوه بختیاری در جنوب غربی آن قرار دارد. وجود آبهایی همانند زایندهرود که از زرد کوه بختیاری سرچشمه گرفته دلیل پیدایش این شهر میباشد. شهر اصفهان بر روی دشتی به نسبت هموار با شیبی در حدود 2 درصد و بهطرف شمال شرقی بنا گردیده است. در طی سدههای گذشته نیز به سبب وجود آب فراوانتر و آلودگی کمتر در سمت جنوب غربی توسعه بیشتری یافته است. طبق اطلاعات شهرداری اصفهان، اصفهان به 7 منطقه غرب، مرکز، جنوب غرب، شمال، شمال غرب، شرق، جنوب شرق تقسیمبندی شده است. شکل 2 نقشه شهر اصفهان و موقعیت جغرافیایی آن را نشان میدهد.
شکل -2 موقعیت جغرافیایی اصفهان
4 انتخاب، پاکسازی و پیشپردازش دادهها
گسترش پویای شهرها به دلیل توسعه در زیرساختها، صنایع و رشد مسکونی، مصرف برق را افزایش داده است و باعث تولید دادههای مصرف برق بالایی شده است .[8] مطالعه و تجزیهوتحلیل دادههای مصرف مصرفکنندگان برق برای تشخیص الگوی مصرف در سطوح مختلف ازجمله مصرفکنندههای فردی و در سطح منطقه در شبکه توزیع برق مفید است . برای آنالیز دادههای بزرگ ، عملیات پیشپردازش داده در مرحله اول و قبل از اجرای الگوریتم دادهکاوی انجام میشود.[13] پیشپردازش داده ، آمادهسازی داده در حالت ایدئال برای اجرا است که از هر نویز و خطایی پاکشده است. همچنین برای کاهش دادههای بزرگ واقعی به دادههای قابلاجرا برای جلوگیری از پردازش دادههای غیرضروری ، ناخواسته و بیمعنی استفاده میشود.
5 خوشهبندی
خوشهبندی یک تکنیک مهم برای تشکیل خوشه دادهها است که نشاندهنده یک خصوصیت مشترک بین تمام عناصر گروه میباشد . [16] هر عنصر در خوشه ، نشاندهنده یک کلاس یا خصوصیت مشترک میان آنها میباشد. الگوریتمهای خوشهبندی برای انواع دادههای مختلف ازجمله عددی ، طبقهبندی و مولتیمدیا استفاده میشود.[17]در این مطالعه ، الگوریتم خوشهبندی برای مصرف ماهانه برق مشترکین و دمای اتمسفر در شهر اصفهان استفادهشده است.اجرای دقیق این الگوریتم بهصورت زیر است.
1-5 خوشهبندی مصرفکنندگان
خوشهبندی مصرفکنندگان بر اساس خوشهبندی انجامشده در شهرداری اصفهان - www.isfahan.ir - انجامگرفته است. این خوشهبندی بر اساس مناطق شهر میباشد که همانگونه که گفته شد به جنوب شرق، شمال غرب، شمال، شرق، مرکز، جنوب غرب و غرب کلاسبندی شدهاند که در جدول 1 به ترتیب از a تا g کدگذاری شده است. در جدول شماره 1 تعداد مشترکین شهر اصفهان پس از پیشپردازش و پاکسازی دادهها صورت گرفته است؛ و همچنین میزان مصرف برق در سال 1394 در این مناطق به تفکیک آورده شده است.
