پیش‌بینی بار الکتیکی با استفاده از روش شبکه موجک خطی

مدلهاي دقيق پيش بيني بار براي برنامه ريزي و بهره برداري يك سيستم قدرت ضروري هستند. پيش بيني بار را مي توان به سه دسته كوتاه مدت، ميان مدت و بلند مدت تقسيم نمود. پيش بيني ها در افقهاي زماني متفاوت، براي مقاصد مختلف انجام  مي گيرد. پيش بيني بار كوتاه مدت در تعيين سطح و تركيب ظرفيت توليد براي تامين تقاضا و نيز تعيين نحوه بهره برداري نيروگاهها و حتي پستها از اهميت خاصي برخوردار است. به منظور پیش بینی بار متعیرهایی از قبیل موقعیت زمانی، وضعیت آب و هوا، هفتگی و فصلی و دادههای تاریخی بار می توانند مورد استفاده قرار گیرند.  در اين پايان نامه روشي جديد به نام شبکه موجک خطی براي پيش بيني بار کوتاه مدت در بازار PJM به کار گرفته می شود که در آن از داده های تاریخی بار به منظور پیش بینی استفاده خواهد شد و در نهایت نتايج آن با برخي روشهاي قبلي مقايسه مي گرد.

احتمالي نظري و عملي آن و همچنين مواد، روش و يا فرآيند تحقيقي احتمالاً جديدي كه در اين تحقيق مورد استفاده قرار مي‏گيرد:

مدل هاي دقيق پيش بيني بار اهميت زيادي در برنامه ريزي و توسعه سيستم هاي قدرت دارند. براي مديريت مناسب اين سيستم ها، لازم است رفتار آنها در آينده مشخص شود. خريد، فروش، تامين تقاضا، و توزيع نيروي برق همگي به چگونگي پيش بيني رفتار سيستم بستگي دارند. تا کنون روشهای زیادی برای پیش بینی کوتاه مدت بار مورد استفاده قرار گرفته است اما به دلیل اهمیت دستیابی به پیش بینی هر چه دقیقتر، این بستر برای انجام پژوهشهای جدید و ارائه روشهای نو همچنان گسترده است. مهندسین برق، مدتهاست با پیش بینی بار آشنا هستند. برخی از روشهای یاد شده، یا در بکارگیری بسیار پیچیده هستند (به عنوان مثال: روش شبیه سازی) و یا بسیار ساده هستند و از صحت کافی برخوردار نیستند(به عنوان مثال: تحلیل سری های زمانی مدولار با بکار گیری منطق ابتکاری ). از بین روشهای استفاده شده تا کنون روشهای هوشمند ابزاری ساده و قوی برای پیش بینی در سیستمهای عملی را مهیا می سازند. پرکاربردترین روشهای هوشمند تا کنون روش شبکه های عصبی مصنوعیANN بوده است. با این وجود کماکان دقت پیش بینی مسئله مهمی است که انگیزه استفاده از سایر روشهای پیش بینی یا ترکیب روشهای موجود را ایجاب می کند. ارتباط بین داده های تاریخی بار دارای دو جمله خطی و غیر خطی است لذا بهتر است در پیش بینی هر دو جمله لحاظ شود. بدین منظور در این پایان نامه از شبکه موجک خطی استفاده خواهد شد که علاوه بر قابلیت شبیه سازی سیگنالهای غیر خطی با فرکانس بالا، ارتباط خطی بین داده های ورودی و خروجی شبکه نیز در آن لحاظ می گردد.

ه- مرور ادبیات و سوابق مربوطه (بيان مختصر پیشینه تحقيقات انجام شده در داخل و خارج کشور پيرامون موضوع تحقیق و نتايج آنها و مرور ادبیات و چارچوب نظري تحقیق):

رگرسيون يكي از پركاربردترين تكنيكهاي آماري است. مدلهاي رگرسيون براي پخش بارالكتريكي اغلب براي مدل كردن رابطه بارمصرفي با ساير پارامترها از قبيل وضع هوا، نوع روز و كلاس مشتري به كارگرفته مي شوند. آقای آبراهام و همکارش در سال ۱۹۸۳ نوعی رگرسون خطي چندگانه را معرفی می کنند که بار به صورت تابعي چند متغيره است.

در اين روش بار ساعتي متشكل از دو مؤلفه در نظرگرفته مي شود. يك مؤلفه، جزء اصلي بار است كه در زمانهاي مختلف روز ثابت در نظر گرفته مي شود. ديگر مؤلفه بار، جزء حساس آن به وضع هواست كه به صورت تابعي از متغيرهاي مختلف وضع هوا و سرعت باد در نظر گرفته مي شود. انتخاب متغيرها با تحليل همبستگي و يا به صورت تجربي انجام مي شوند. تخمين ضرايب رگرسيون با استفاده از تكنيك تخمين حداقل مربعات انجام مي گيرد. ارزش هريك از اين ضرايب و درنتيجه متغير مربوط به آن را نيز مي توان با استفاده از آزمون هاي آماري مشخص نمود.

روشهاي سري زماني مبتني بر اين فرض هستند كه داده ها، داراي يك ساختار داخلي مانند همبستگي،  يا تغييرات فصلي هستند. اين روشها چنين ساختاري را جستجو و آشكار مي كنند. سريهاي زماني سالها در زمينه هاي اقتصادي، پردازش سيگنال ديجيتال و نيز پيش بيني بار الكتريكي مورد استفاده قرار گرفته اند.

اين روش يكي از پركاربردترين متدهاي آماري به كاررفته در زمينه پخش بار كوتاه مدت است. همانگونه که آقای باکس و جنکینز در پژوهشی در سال ۱۹۷۰ سري بار  را به عنوان خروجي يك فيلتر خطي در نظر گرفته اند. اين فيلتر داراي وروديهايي به صورت يك سري تصادفي است كه داراي متوسط صفر و واريانس ثابت نامعلوم هستند. بسته به مشخصه فيلتر خطي ياد شده، مدلهاي مختلفي براي اين روش بدست مي آيد.

شبكه هاي عصبي مصنوعي  (ANN)  به طور وسيعي از حدود ۱۹۹۰ در زمينه پيش بيني بار مورد استفاده قرار گرفته اند. اين شبكه ها اساسا مدارات غيرخطي هستند كه قابليتشان در درونيابي غير خطي به اثبات رسيده است.

خروجي يك شبكه عصبي تابعي خطي يا غيرخطي از وروديهاي آن است. وروديها مي توانند خروجيهاي قسمتهاي ديگر يا وروديهاي واقعي شبكه باشند. در عمل، اجزاء شبكه در تعداد نسبتا كمي از لايه هاي متصل به هم كه خروجيها را به وروديها مرتبط مي كنند جاي داده مي شوند. همچنين گاهي اوقات از مسيرهاي فيدبك نيز در اين شبكه  ها استفاده مي شود. در استفاده از شبكه هاي عصبي ابتدا بايد ساختار شبكه  (از بين شبكه هاي هاپفيلد، پس انتشار، ماشين بولتزمن و…)، تعداد  لايه ها و گرههاي مياني،  دوطرفه يا يك طرفه بودن لينكها و فرمت عددي مقادير ورودي و خروجي (باينري يا دهدهي) مشخص شوند. يكي از پركاربردترين ساختارهاي شبكه هاي عصبي در زمينه پيش بيني بار ساختار پس انتشار است.

در پيش بيني بار بيشتر از شبکه هاي پرسپترون چندلايه استفاده شده است. برخي از اين شبکه ها با يک خروجي براي پيش بيني بار ساعت بعد و برخي ديگر با چند خروجي براي پيش بيني بار چند ساعت يا چند دوره پشت سرهم به کار گرفته شده اند. در ۱۹۹۱ پارک و همکارانش شبکه اي براي پيش بيني بار ساعت بعد، کل بار و بار پيک روز بعد به کار گرفته اند. همچنين هو و همکارانش دو دو پژوهش جداگانه در سالهای ۱۹۹۰ و ۱۹۹۲ شبکه اي را نشان مي دهند که براي پيش بيني بار پيک روز بعد استفاده شده است. خروجي اين شبکه براي پيش بيني پروفيل بار روز بعد به کار گرفته شده است. چن در سال۱۹۹۲ شبکه اي با اتصالات غير کامل جهت کاهش نرون ها براي پيش بيني بار به کار رفته است. لی، چا و پارک در ۱۹۹۲ نشان دادند که مي توان با تقسيم روز به چند دوره و استفاده از يک شبکه براي هر دوره پيش بيني بار را انجام داد.

روشهاي پيش بيني بر پايه سیستمهای خبره براي پيش بيني دقيق، از قواعدي استفاده مي كنند كه طبيعت ابتكاري دارند. سيستمهاي خبره از قواعد و توابعي بر پايه دانش و توانايي انسان بهره مي برند و پس از پياده سازي نرم افزاري بدون نياز به كمك انسان به كار خود ادامه مي دهند.

كاربرد سيستمهاي خبره در دهه ۱۹۶۰ در زمينه هايي از قبيل اكتشافات زمين شناسي آغاز شد. در صورت وجود يك دانش انساني در كنار طراح نرم افزار در زماني قابل ملاحظه براي انتقال اطلاعات دانش خبره به سيستم، سيستمهاي خبره عملكرد بسيار خوبي خواهند داشت. البته دانش خبره بايد براي تبديل به قواعد نرم افزاري مناسب باشد؛ در واقع دانش خبره بايد قابليت تبديل به فرآيند يك برنامه را داشته باشد. دانش خبره ممكن است به صدها يا هزاران قاعده تبديل شود.

رحمان و بابا در سال ۲۰۰۳ يکي از اولين کارهاي انجام شده در اين زمينه را ارائه دادند. در اين کار از توابعي مبتني بر ارتباط منطقي بين وضع هوا و منحني هاي بار روزانه به عنوان قواعد پايگاه تشكيل شده است. پايگاه قواعد مجموعه اي از روابط بين تغييرات بار سيستم و تغييرات فاكتورهاي طبيعي و غير طبيعي موثر بر ميزان مصرف برق را دربرمي گيرد. استخراج اين روابط و قواعد به تجربه اپراتور و وسعت ديد طراح بستگي دارد. مي توان براي تاييد يا رد روابط درنظرگرفته شده از روشهاي آماري استفاده نمود. برخي از قواعد معمولا با گذشت زمان تغيير نمي كنند؛ برخي خيلي كند و برخي نيز پيوسته در حال تغييرند و بايستي مرتبا بهنگام شوند.

منطق فازي تعميمي از منطق بولي معمول است كه در سيستمهاي ديجيتال به كار مي رود. در منطق بولي يك ورودي مي تواند ارزش درستي ۰ يا ۱ داشته باشد. در منطق فازي يك ورودي مي تواند يك مقادير پيوسته بازه خاص را اختيار كند. به عنوان مثال، بار يك ترانسفورمر مي تواند كم، متوسط يا زياد باشد.

عدم نياز به مدل رياضي براي ارتباط بين وروديها و خروجيها و نيز عدم نياز به ورودي دقيق و حتي بدون نويز از مزاياي مهم منطق فازي است. طراحي مناسب سيستم فازي مي تواند براي پيش بيني بسيار روباست عمل كند.

هسو و هو در سال ۱۹۹۲ از يک سيستم فازي براي مقابله با اثرات نامشخص بودن پارامترها استفاده شده است. در اينجا بيش از ده الگوي مختلف براي بار در نظر گرفته شده و با به هنگام کردن بار دقت پيش بيني افزايش يافته است. استفاده از تجارب اپراتورها (دانش انساني) در اين کار باعث نزديک شدن مقادير پيش بيني شده به مقادير واقعي شده است. ری و همکاران در ۲۰۰۳  دو مدل را براي بار ارايه مي کند و در سيستم هاي فازي از توابع عضويت مثلثي متقارن براي اين دو مدل استفاده مي کنند. يکي از مدل ها تنها براي مشخصه بار با ضرايب فازي است و مدل دوم يک مدل فازي مرکب براي روزهاي آخر هفته يا تابستان است. چانکسین و کائو در سال ۲۰۰۴ به مساله تعيين قواعد بهينه فازي براساس روش مرسوم آزمايش و خطا به عنوان يك مشكل اساسي اشاره نمودند و روشي برمبناي برنامه ريزي تكاملي سريع براي طراحي اتوماتيك اين قواعد ارائه کردند. بر مبناي اين روش تعيين بخشهاي منطق و استدلال به طور همزمان محقق مي شود و پيچيدگي مدل نسبت به ساير مدلهاي فازي كاهش يافته است. نتايج اين مدل با مدلهاي شبكه عصبي مقايسه شده  و كاركرد بهتري را نشان داده است.

جائو و دوستان در سال ۲۰۱۰ از ترکيب شبکه هاي عصبي و موجک براي  پيش بيني بار کوتاه مدت استفاده کردند. در این پژوهش نتايج پيش بيني بار توسط اين شبكه ها با شبكه هاي عصبي موجود مقايسه و افزايش سرعت يادگيري و كاهش خطاي پيش بيني در آن ملاحظه شده است.  همچنين با توجه به دقت بالاي اين شبكه، پيشنهاد استفاده از آن در پيش بيني هاي با مدت زمان كمتر مثل نيمساعت، براي سيستمهاي برق قانون زدايي شده و بازارهاي برق مطرح شده است.

تائو و سایرین نیز در سال ۲۰۱۲  سري بار را به صورت چند زيرسري مختلف كه مشخصه هاي فركانسي مختلف بار را نشان مي دهند توسط آناليز موجک تجزيه مي کنند. آنگاه يك شبكه عصبي براي پيش بيني هريك از اين زيرسريها با توجه به مشخصه هاي آن ايجاد مي گردد. نتيجه پيش بيني با تركيب همه زيرسريهاي پيش بيني شده تعيين مي گردد. اين روش بهبود قابل ملاحظه اي در نتيجه پيش بيني پروفيل بار و پيك بار نشان داده است.

قره ویسی و دیگران نیز در پژوهشی که در ششمین کنفرانس سیستمهای هوشمند در ایران برگزار گردید از شبکه عصبی-موجک جهت پیش بینی شبکه برق ایران استفاده کردند.

درخصوص تفكيك مراحل اجرايي تحقيق و توضيح آن، از به كار بردن عناوين كلي نظير، «گردآوري اطلاعات اوليه»، «تهيه نمونه‏هاي آزمون»، «انجام آزمايش‏ها» و غيره خودداري شده و لازم است در هر مورد توضيحات كامل در رابطه با منابع و مراكز تهيه داده‏ها و ملزومات، نوع فعاليت، مواد، روش‏ها، استانداردها، تجهيزات و مشخصات هر يك ارائه گردد.

به منظور انجام این تحقیق نیاز به داده های تاریخی بار که از صحت و دقت کافی برخوردارند داریم. برای این منظور از داده های تاریخی بار بازار PJM استفاده خواهیم کرد. روش استفاده شده برای پیش بینی استفاده از شبکه موجک خطی است که کدهای آن تحت نرم افزار متلب نوشته شده و مورد استفاده قرار خواهد گرفت. به منظور آموزش شبکه روشهای زیادی می توان بکار برد که در این تحقیق داده های آموزش شامل داده های روز قبل، دو روز قبل و روزهای مشابه هفته های قبل استفاده خواهد شد. تعداد روزهای داده های مورد نیاز برای آموزش شبکه بر حسب بهترین پاسخی که از شبیه سازی بدست می آید انتخاب خواهد گردید.