بخشی از مقاله
چکیده
در سیستم قدرت الکتریکی، پیشبینی پیک بار از لحاظ بهینهسازي اقتصادي، برنامهریزي خط مشی، تخصیص بودجه و مدیریت سوخت نیروگاهها نقش بسیار مهمی بازي میکند.دقت روش پیشبینی در توسعه یک استراتژي تامین قدرت و طرح توسعه بویژه براي کشورهاي در حال توسعه بسیار مهم است. زیرا در این کشورها نرخ رشد تقاضا پویا و زیاد است.در این مقاله یک مدل رگرسیون تلفیقی جهت پیشبینی پیک بار الکتریکی میانمدت با استفاده از یک روش خوشهبندي ارائه شده است. بدین منظور دادههاي تقاضاي پیک بار ماهانه 14 سال شبکه برق سراسري ایران استفاده و تحلیل شده است. آنچنانکه، مدل ارائه شده امکان پیشبینی پیک بار ماهانه را براي ماه بعد فراهم میکند.
بدین ترتیب که ابتدا جهت بهبود برازش رگرسیون، نقشه خودسازماندهی - SOM - به منظور خوشهبندي پیک بار مصرفی ماهانه طراحی شده است و ماههاي مشابه با یکدیگر در گروههاي یکسان قرار داده شدهاند. آنگاه، با بکارگیري شاخص دیویس-بولدین بهترین حالت خوشهبندي تعیین شده است. سپس جهت پیشبینی پیک بار میانمدت براي هر خوشه از روش رگرسیون خطی استفاده شده است. آنالیز و مقایسه نتایج پیشبینی با روش رگرسیون خطی بدون انجام خوشهبندي نشان میدهد که مدل ارائه شده با دقت بسیار خوبی عمل کرده و خوشهبندي
ماههاي سال موجب بهبود پیشبینی شده است.
-1 مقدمه
چندین سال است که پیشبینی بار الکتریکی به منظور عملیات موثر و اقتصادي بهرهبرداري از برق مورد توجه محققین قرار گرفته است و برنامههاي توسعهاي و تعمیراتی نیروگاهها و ظرفیتهاي تولیدي در دورههاي مختلف زمانی بر اساس تغییرات بار آن با پیشبینی پیک بار تنظیم میشود. از اینرو، پیشبینی بار مبناي تخصیص بهینه ظرفیتها جهت تامین انرژي الکتریکی مورد نیاز به اقتصاديترین روش و فراتر از آن مبناي برنامههاي توسعهاي ظرفیتهاي تاسیساتی شبکه برقرسانی کشوري است. دقت نسبی در پیشبینی بار درصنعت برق از اهمیت خاصی برخوردار است. بخصوص هنگامی که پیشبینی بار مبناي برنامهریزي توسعهاي شبکه وظرفیت نیروگاهی باشد. چون هرگونه پیشبینی مازاد مصرف و یا کمبود تولید خساراتی را در پی خواهد داشت.
ایجاد یک متدلوژي پیشبینی بار ماهانه میانمدت دقیق، سریع و قوي میتواند موجب برآورد دقیقتر میزان مصرف الکتریسیته شود. پیشبینی پیک بار الکتریکی ماه بعد، کاربردي اساسی در عملیات و برنامهریزي سیستم قدرت الکتریکی دارد. ازاینرو، تکنیکهاي مختلفی در این حوزه پیشنهاد شدهاند. برخی از محققین در مقالات از مدلهاي سري زمانی و رگرسیون استفاده نمودهاند. با استفاده از این روشها رابطه بین متغیرهاي مستقل و متغیر وابسته - پیشبینی - قابل درك و ساده است. همچنین، در دو دهه گذشته تحقیق بسیاري نیز بر روي کاربرد تکنیکهاي هوش مصنوعی - AI - 1 بویژه مدلهاي شبکههاي عصبی - ANNs - 2 براي مساله پیشبینی بار انجام شده است.[1]
در تمامی مقالاتی که در حوزه پیشبینی پیک بار ماهانه به چاپ رسیده است، نویسندگان کلیه ماههاي سال را در یک دسته قرار داده و پیشبینی پیک بار را براي یک یا چند ماه بعد ارائه نمودهاند، بطوریکه دادههاي پیک بار ماههاي مشابه و غیرمشابه در یک دسته فرض شدهاند که این موضوع موجب افزایش خطاي پیشبینی خواهد شد. این مقاله پس از مرور کارهاي انجام شده در این زمینه، مدل رگرسیون تلفیقی را ارائه میکند که ابتدا از یک شبکه نقشه خودسازمانده - SOM - 3براي خوشهبندي ماههاي سال استفاده میکند و پیشبینی پیک بار ماه بعد بوسیله روش رگرسیون خطی انجام میشود.همچنین، این پیشبینی با استفاده از روش رگرسیون بدون انجام خوشهبندي نیز صورت میگیرد و در انتها با مقایسه نتایج بدستآمده، نتیجهگیري خواهیم نمود.
-2 مروري بر ادبیات موضوع
همانطور که پیش از این اشاره شد، در خصوص پیشبینی پیک بار ماهانه مقالات چندانی به چاپ نرسیده است. در این بخش به مرور برخی از این مقالات میپردازیم. گلوانی و همکارانش به پیشبینی پیک بار همزمان ماهیانه برق منطقهاي زنجان با استفاده از شبکههاي عصبی چندلایه پیشخور و الگوریتم یادگیري پسانتشار ارتجاعی پرداختهاند.[2] یالسینوز4 و همکارش براي پیشبینی بار ماهانه میانمدت از شبکه عصبی استفاده نموده و متغیرهاي ورودي بارهاي ماهانه شش ماه قبل هستند. همچنین، نتایج پیشبینی با روش میانگین متحرك مقایسه شده است.[3] کریم5 و همکارش از یک مدل میانگین متحرك یکپارچه اتورگرسیو فصلی - SARIMA - براي پیشبینی تقاضاي پیک بار ماهانه منطقه سلیمانیه عراق استفاده نمودهاند.
در پایان مقاله نویسندگان به این نتیجه میرسند که مدلهاي میانگین متحرك پکپارچه اتورگرسیو - ARIMA - بیشتر براي پیشبینیهاي کوتاهمدت مناسب بنظر میرسند ، زیرا این مدلها تاکیدشان براي دادههاي گذشتهاي است که اخیراَ بوقوع پیوسته است.[4] فیمفاچان6 و همکارانش با استفاده از شبکههاي عصبی پیشخوراند و تکنیک یادگیري پسانتشار مدلهایی را براي پیشبینی پیک بار ماهانه هر سال و پیشبینی انرژي ارائه نمودهاند5]، .[6 در مقاله دیگري از دو تکنیک پیشبینی مجزا براي پیشبینی پیک بار ماهانه استفاده میکنند که شامل مدلهاي تکثیري7 و فزاینده8 میشود. قابلیت این مدلها بر روي شبکه قدرت الکتریکی مصر آزمایش شده است.[7]همانطور که پیش از این نیز اشاره شد، پس از مرور ادبیات پیشبینی پیک بار ماهانه متوجه میشویم که کلیه محققین باقرار دادن کلیه دادههاي پیک بار ماهانه را در قالب یک مجموعه به انجام پیشبینی پرداختهاند. از اینرو، در ادامه مدلی را ارائه خواهیم نمود که با خوشهبندي دادههاي پیک بار ماهانه دقت پیشبینی به میزان قابلتوجهی افزایش خواهد یافت.
-3 تحلیل دادهها
در این تحقیق از دادههاي مصرف پیک بار ماهانه سالهاي1371 الی 1384 شبکه سراسري ایران که معادل 168 ماه است، براي انجام پیشبینی پیک بار ماهانه استفاده میشود.لازم بذکر است که در اکثر سالها، پیک بار سالانه در ماه تیر یامرداد رخ داده است. همچنین، براساس همین بازه زمانی اطلاعات مربوط به متوسط دماي هواي ماهیانه سه شهر تهران - هواي معتدل - ، تبریز - هواي سرد - و اهواز - هواي گرم - ازسازمان هواشناسی تهیه شده است. دماي هوا یکی از عوامل تاثیرگذاري است که میتواند به پیشبینی دقیقتر پیک بار ماهانه کمک نماید. تصویر 1 روند سري زمانی تقاضاي پیک بار ماهانه شبکه سراسري ایران طی 14 سال متوالی را نشان میدهد. همانطور که در تصویر 1 مشاهده میشود مصرف بار روندي روبه افزایش را در هر سال نسبت به همان مقطع زمانی درسال قبل داشته و در طی سال نیز داراي نوسان است. از اینرو،طبقهبندي ماههاي سال در دستههاي مشابه ضروري است.
دماي سه شهر تهران، اهواز و تبریز به عنوان شاخصی براي سه نوع منطقه آب و هوایی یعنی معتدل، گرم و سرد از میان مناطق آب و هوایی مختلف کشور در نظر گرفته شده است وبا توجه به ثقل بار مصرفی هریک از مناطق مزبور ضرایب 0/6،0/2، 0/2 در ماههاي اردیبهشت، خرداد، تیر، مرداد، شهریور و مهر و ضرایب 0/65 ، 0/15 ، 0/2 در ماههاي آبان، آذر، دي، بهمن، اسفند و فروردین به ترتیب به دماي تهران، اهوازوتبریز اختصاص داده شده است. این ضرایب با تقسیم جداگانه مجموع بار مصرفی استانها که داراي آب و هواي معتدل، گرم و سرد هستند بر مجموع بار مصرفی کلیه استانهادر هر یک از ماههاي سال حاصل شده است. تصویر 2متوسط دماي هواي ماهانه سه شهر تهران، اهواز و تبریز وهمچنین میانگین وزنی آنها را در سال 1384 براساس وزنهاي مذکور نمایش میدهد.
-3 خوشهبندي با استفاده از نقشه خودسازمانده
هیچکدام از تحقیقات انجام شده در زمینه پیشبینی پیک بار ماهانه براي انجام پیشبینی دادههاي پیک بار مصرفی را دستهبندي ننمودهاند.[7-2] درحالیکه، استفاده از دستهبندي مناسب میتواند به کاهش خطاي پیشبینی کمک کند. از اینرو، در این تحقیق از الگوریتم نقشه خودسازمانده بعنوان یکی از ابزارهاي بسیار خوب جهت خوشهبندي استفاده شده است.خوشهبندي Q ، به معناي افراز مجموعهاي از دادهها به مجموعهاي از خوشههاي Qi ، i 1,...,C است. یک تعریف قابل قبول از خوشهبندي بهینه، افرازي است که فواصل بین نمونههاي داخلی را حداقل کند و فواصل بین خوشهها را حداکثر کند.[8] در تصویر 3 مفهوم پایهاي SOMارائه شده است. در این تصویر، X i نمایشگر بردار ورودي i ام و d j نمایشگر مختصات مرکز نرون خروجی j ام است. Wij نیز نشاندهنده وزن متصلکننده بردار ورودي i ام به نرون j ام است.
