بخشی از مقاله
*** این فایل شامل تعدادی فرمول می باشد و در سایت قابل نمایش نیست ***
پيش بيني کوتاه مدت بار الکتريکي شبکه سرتاسري ايران با استفاده از شبکه هاي عصبي و منطق فازي
چکيده
١- مقدمه
پـيش بيني کوتــاه مـدت مصـرف بــار الـکتريــکي نقـش اساسي در بهره برداري بهينه از سيستمهاي قدرت دارد. در اين مقاله با استفاده از شبـکه عصبي پرسپترون چنـد لايـه (MLP) [١] و منطق فازي [٢] مـدلي جهت پــيش بينـي کوتــاه مـدت بـار الـکتريـکي مطرح شده است . اين مدل بار الکتريکي را به دو بخش تقسـيم مـي کنـد. منحنـي بـار نرمـاليزه و مينـيمم و ماکزيمم بار. منحني نرمـاليزه بـار توسـط يـک شـبکه عصـبي متشکل از ١٦ مدول MLP پيش بيني مي شود. ١٦ مدول مـورد استفاده براي پيش بيني بار در روزهاي کاري هفته (يکشنبه تـا چهارشــنبه )، روزهــاي تعطيــل ، روزهــاي قبــل از تعطيلــي ، و روزهاي بعد از تعطيلي در هر يک از فصـول بهـار، تابسـتان ، پائيز، و زمستان به کار مي روند. مقادير مينيمم و مـاکزيمم بـار در هر روز توسط منطق فازي پيش بيني خواهـد شـد. در ايـن مــدل ، شــرايط آب و هــوايي ، تغييــرات ماهيانــه ، نــوع روز و اطلاعات تعطيلات خاص در نظر گرفته شده اند. مدل مـذکور توسط اطلاعات بار اخذ شده از مرکز ديسپاچينگ ايران مـورد آزمايش واقع گرديده است و متوسط قدرمطلق خطاي بدست آمده ١.٦ درصد مي باشد.
1 پيش بيني کوتاه مدت مصرف بار الکتريکي نقش اساسي در بهره برداري بهينه از سيستمهاي قدرت ايفا مي کند و عملکرد اقتصادي و قابل اطمينان يک شبکه قدرت وابستگي قابل ملاحظه اي به دقت پيش بيني بار دارد. پيش بيني کوتاه مدت بار الکتريکي براي برنامه ريزي در مدار قرار گرفتن نيروگاهها، طراحي منابع و ذخاير، و مديريت بار لازم مي باشد. در عمل پيش بيني کوتاه مدت بار الکتريکي به دليل تأثر از عوامل متعدد و متنوع غير خطي نظير شرايط آب و هوايي ، تغييرات دوره اي روزانه و هفتگي از پيچيدگي خاصي برخوردار است . روشهاي پيش بيني بار به دو گروه اساسي تقسيم مي شوند:
الف - روشهاي سنتي - شامل مدل رگرسيون ، آناليز سريهاي زماني و مدل Jenkins &Box
ب- روشهاي مدرن - شامل فيلتر کالمن ، سيستمهاي خبره ، استنتاج فازي ، شبکه هاي عصبي مصنوعي و مدلهاي -Neuro
Fuzzyدر اين مقاله ، يک مدل پيش بيني کوتاه مدت بار با استفاده از ترکيب شبکه هاي عصبي و منطق فازي ارائه شده است . مقاله
حاضر شامل بخشهاي زير است :
پيش بيني کوتاه مدت بار الکتريکي شبکه سرتاسري ايران با استفاده از شبکه هاي عصبي و منطق فازي بخش دوم به بحث در مورد مدل کلي پيش بيني کوتاه مدت بار الکتريکي در اين مقاله مي پردازد. بخش سوم عوامل مؤثر در بار ايران را تشريح مي کند. در بخش چهارم روش ايجاد dataset ها بيان شده است . در بخش پنجم پيش بيني منحني بار نرماليزه روز آينده توسط شبکه عصبي MLP گنجانده شده است که شامل روش انتخاب متغيرهاي ورودي براي آموزش شبکه ، مدل MLP پيش بيني کننده بار و پارامترهاي يادگيري مي باشد. بخش ششم روش پيش بيني مينيمم و ماکزيمم بار روزانه توسط منطق فازي ، آماده کردن مجموعه هاي فازي ، ساختن قوانين if-then فازي و پيش بيني Lmin و Lmax را تشريح مي کند. نتايج شبيه سازي که شامل پيش بيني دو هفته عادي از فصول تابستان و پائيز و پيش بيني دو روز خاص نيمه شعبان و عاشورا در سال ١٣٧٥ مي باشد در بخش هفتم ارائه مي شود و بخش هشتم به نتيجه گيري اختصاص دارد.
٢- مدل پيش بيني کوتاه مدت بار
طبق معادله ١، بار الکتريکي به بازه [١ ،٠] نرماليزه مي شود:
که در آن (Lreal)i بار واقعي در ساعت i ام روز، Lmin و Lmax به ترتيب مينيمم و ماکزيمم بار روزانـه و (Lnorm)i بـار نرماليزه در ساعت i ام روز مي باشند.
پيش بيني بار به دو مرحله تقسيم مي شود: پيش بيني منحنـي نرماليزه بار و پيش بيني مينيمم و ماکزيمم بار روزانه .
فرآيند پيش بيني در مدل پيشنهادي به شرح زير مي باشد:
١) تعيين روزهاي مرجع بر اساس نـوع روز آينـده (آمـاده کردن dataset).
٢) نرماليزه کردن بار واقعي dataset ها به بازه [١ ،٠] طبـق فرمول ١.
٣) پيش بيني منحني بار نرماليزه روز آينـده توسـط يکـي از ١٦ شبکه عصبي MLP بر اساس منحني هـاي نرمـاليزه dataset ها.
٤) پيش بيني مينـيمم و مـاکزيمم بـار روز آينـده بـه روش اســتنتاج فــازي و بــر اســاس شــرايط آب و هــوايي ، اطلاعات تعطيلات روز و نوع روز آينده .
٥) يافتن منحني بار پيش بيني شده روز بعد با ترکيب نتايج بدست آمده در بندهاي ٣ و ٤ بر اساس فرمول ٢:
٣- عوامل مؤثر در بار ايران
قبل از مدل سازي بار شبکه سراسري ايران ، تعيين عوامل تأثيرگذار بر بار شبکه و نيز دسته بندي منحني هاي بار روزانه ضروري مي باشد، زيرا با شناسايي عوامل موثر بر بار شبکه قادر به يافتن وروديهاي مناسب براي آموزش هر چه بهتر شبکه هاي عصبي خواهيم بود.
مطالعات صورت گرفته [٣] حاکي از آن است کـه مصـرف بـار الکتريکـي بـه صـورت پيچيـده و غيـر خطـي تــابعي از پارامترهاي متعدد از جمله شرايط آب و هـوايي نظيـر درجـه حرارت ، سرعت باد و روشنايي هوا مـي باشـد. هـر روز هفتـه منحني بار خاص خود را دارد. منحني بار روزهاي يکشنبه تـا چهارشنبه (روزهاي کـاري ) از مشـابهت نسـبي برخوردارنـد، منحني هاي مصرف بار در روزهاي تعطيل متمـايز از روزهـاي کاري هستند، و منحني مصرف بار در روزهاي قبل و بعـد از تعطيلي از روزهـاي کـاري هفتـه متمـايز هسـتند. در فصـول مختلف سال نيز، با توجه به شرايط ويژه هر فصل ، نظير طـول روز و روشنايي هوا منحني بار تغيير مي يابد. در طول زمان نيز با توجه به رشد جمعيت و رشـد اقتصـادي جامعـه ، ميـانگين مصرف افزايش يافته و باعث رشـد بـار بـه صـورت سـاليانه مي شود. تمامي اين عوامل در مدلسـازي بـار بايسـتي در نظـر گرفته شوند.
٤- نحوه ايجاد dataset ها
با توجه به ساختار ديتا، اطلاعات بار براي هر سيستم پيش بيني کننده به ٤ گروه زير تقسيم مي شود:
(١) روزهاي کاري هفته ، (٢) روزهاي تعطيل ، (٣) روزهاي قبل از تعطيلي و (٤) روزهاي بعد از تعطيلي . لازم به ذکر است که گروه بندي مذکور در فصول مختلف سال به صورت مجزا انجام مي شود. با توجه به موارد بالا ١٦ dataset مجزا براي مدل بار بوجود مي آيد که يک شبکه MLP براي پيش بيني کوتاه مدت بار الکتريکي شبکه سرتاسري ايران با استفاده از شبکه هاي عصبي و منطق فازي يادگيري هر يک از اين dataset ها به کار گرفته مي شود و بر اساس نوع روز و نوع فصل يکي از آنها بار روز بعد را پيش بيني خواهد کرد.
ابعاد dataset ها متفاوت هستند، بطور مثال براي پيش بيني روز چهارشنبه دهم مردادماه ١٣٧٥ که يک روز کاري در فصل تابستان مي باشد تعداد بردارهاي dataset مربوط که متشکل از روزهاي کاري فصل تابستان سالهاي ١٣٧٣ و ١٣٧٤ و روزهاي کاري ماه تير ١٣٧٥ و روزهاي کاري اول تا نهم مردادماه ١٣٧٥ مي باشند، ١٠٩ روز است .
٥- پيش بيني منحني بـار نرمـاليزه روز آينـده توسـط شبکه عصبي MLP
اين مدل منحني بار الکتريکي نرماليزه روز آينـده را توسـط شبکه عصبي MLP پيش بيني مي کند، که براي اين منظور فقـط از اطلاعات بار الکتريکي دو سال گذشته تا روز مورد نظر بـه عنوان dataset استفاده مي کند.
٥-١- روش انتخاب متغيرهاي ورودي بـراي آمـوزش
شبکه
براي پيش بيني بار روزانه از بار دو روز گذشته که از لحاظ نوع روز با روز مورد پيش بيني مشابه هستند به عنوان ورودي استفاده خواهد شد [٤]. در مثال مطرح شده در بخش ٤ براي پيش بيني روز دهم dataset مربوطه ١٠٩ روز است .
مردادماه ١٣٧٥ ابعاد براي پيش بيني روز موردنظر ابتدا اطلاعات dataset را به دو قسمت training set و test set تقسيم مي کنيم که در اين مثال تعداد بردارهاي training set و test set به ترتيب ٩٥ و ١٤ روز مي باشند. براي آموزش شبکه اطلاعات بار روز اول و دوم training set را به عنوان ورودي و اطلاعات بار روز سوم آن را به عنوان خروجي مطلوب در نظر مي گيريم ، سپس اطلاعات روز دوم و سوم به عنوان ورودي و روز چهارم به عنوان خروجي مطلوب در نظر گرفته مي شود، و اين روند تا جايي که تمام اطلاعات training set به شبکه اعمال شود ادامه مي يابد. در طي اين فرآيند وزنهاي شبکه اصلاح مي شوند و شبکه براي پيش بيني آماده مي شود. سپس با اعمال اطلاعات test set شبکه را آزمايش مي کنيم . خروجي بدست آمده از اعمال اطلاعات بار روزهاي هشتم و نهم مردادماه ، بار پيش بيني شده روز دهم مرداد خواهد بود.
با در نظر گرفتن موارد بالا و با توجه به اين نکته که براي هر روز ٢٤ بار ساعتي وجود دارد، لايه ورودي داراي ٤٨ سلول خواهد بود. ورودي هر يک از اين سلولها يکي از بارهاي ساعتي دو روز گذشته (که از نظر نوع روز مشابه با روز مورد پيش بيني هستند) مي باشد و لايه خروجي داراي ٢٤ سلول است که خروجي هر يک از آنها بيانگر بار يکي از ساعات روز مورد پيش بيني است .
٥-٢- مدل MLP و پارامترهاي يادگيري
١- براي شبيه سازي از يک شبکه سه لايه با ٤٨ سلول ورودي ، ٢٤ سلول خروجي و ١٢ سلول در لايه مياني استفاده شد.
٢- سلولهاي ورودي خطي بوده و تـابع فعاليـت سـلولهاي لايه مياني و خروجي از نوع سيگمويد نامتقارن با تابع فعاليت زير مي باشد:
٣- مجموع مربعات خطا (TSSE) به عنوان تـابع هزينـه در نظر گرفته شد.
که در آن Q تعداد کل پترنهـا بـوده ، zkq و dkq بـه ترتيـب مؤلفه k ام بردار خروجي واقعي و بـردار خروجـي مطلـوب براي پترن q ام مي باشند.
٤- مؤلفه هاي بردارهاي ورودي و خروجي بـه بـازه [١ ،٠] نرماليزه شدند.
٥- از رابطه ٥ براي اصلاح وزنها استفاده شد.
که در آن h نرخ يادگيري ، a ضـريب ممنـتم ، n شـماره تکرار و wij ها مقادير وزنها مي باشند.
پيش بيني کوتاه مدت بار الکتريکي شبکه سرتاسري ايران با استفاده از شبکه هاي عصبي و منطق فازي ٦- براي جلوگيري از کاهش سرعت يـادگيري در مـواقعي که مقادير سلولهاي خروجي نزديک به ٠ يـا ١ مـي باشـند، در جمله Ei مقدار ٠.١ به عنوان ”sigmoid prime offset“ بـه wij(qA اضافه شد.
٧- پروسه يادگيري قبل از افـزايش TSSE و يـا وقتـي کـه تعداد epoch ها برابر N شد متوقف مي شود.
٨- مقادير پارامترهاي يادگيري به صورت زير انتخاب شد:
٦- پيش بيني مينيمم و مـاکزيمم بـار روزانـه توسـط منطق فازي
در اين مقاله Lmin و Lmax توسط منطق فـازي پـيش بينـي مي شود. براي پيش بيني اين دو مقدار، درجه حرارت مينيمم و ماکزيمم روز، تغييرات دوره اي ماهيانه ، نـوع روز و اطلاعـات تعطيلات به عنوان متغيرهاي مستقل در نظر گرفته مي شوند.
٦-١- آماده کردن مجموعه هاي فازي
مجموعه هاي فازي که بايد آماده شوند شامل نوع روز هفته ، اطلاعات تعطيلات ، تغييرات دوره اي ماهيانه ، دمـاي مينـيمم و ماکزيمم روز و مينيمم و ماکزيمم بار روزانه مي باشند. تعدادي از زيرمجموعه هاي فازي وروديهـا و خروجيهـا در جـدول ١ آورده شده اند. شکل ١ توابع عضويت هـر مجموعـه را نشـان مي دهد. يک تابع عضويت منحنيي است که نحوه تصوير شدن هر نقطه در فضاي ورودي را به يک درجه عضويت بـين ٠ و ١ در يک زير مجموعه فازي اوليه بيان مي کند.
٦-٢- ساختن قوانين if-then فازي
در منطـق فـازي قـوانين if-then بـراي فرمولبنـدي روابـط شرطي استفاده مي شوند. ساختن قـوانين if-then فـازي بـراي پيش بيني کوتاه مدت بار الکتريکي مستلزم انجام تعـداد زيـادي از آزمايشات مي باشد [٥]. اين قـوانين داراي ٤ ورودي (نـوع روز هفته ، اطلاعات تعطيلات ، تغييرات دوره اي ماهيانه ، دمـاي مينيمم و ماکزيمم روز) و ٢ خروجي (مينيمم و مـاکزيمم بـار روزانه ) مي باشند. يک نمونه از اين قوانين در زير آورده شـده است :
If (Day is Mon) & (Type of Day is WD) & (Month isFA) & (Minimal Temperature is ZE) &(Maximal
Temperature is PS2) then (Minimal Load is VS2) & (Maximal Load is VS1)
٦-٣- پيش بيني min و Lmax L
گام اول گرفتن اطلاعات ورودي روز بعـد و فـازي کـردن آنها مي باشد. ترکيب وروديهاي فازي براي تريگر کردن قوانين فازي مناسب گام دوم مي باشد. معمولاً در اين مرحله بـيش از يک قانون تريگر خواهد شد. در گام سـوم بايـد خروجيهـاي قوانين مختلف را ترکيب کرد تا يک مجموعه فازي به عنـوان خروجي بدست آيد. در گام آخـر بـراي بدسـت آوردن يـک مقدار خروجي از مجموعـه Lmin و Lmax بايسـتي خروجـي فازي بدست آمده defuzzy شود.
جدول ١- متغيرهاي کلامي و زير مجموعه هاي فازي
زيرمجموعه هاي فازي متغيرهاي کلامي
پيش بيني کوتاه مدت بار الکتريکي شبکه سرتاسري ايران با استفاده از شبکه هاي عصبي و منطق فازي
