محمدرضا عمارتی؛ فرشید کی نیا؛ علیرضا عسکرزاده
چکیده
پیش‌بینی کوتاه‌مدت بار الکتریکی همواره به‌عنوان یکی از عناصر کلیدی در عملکرد اقتصادی و ایمن سیستم‌های قدرت به‌حساب می‌آید. در محیط رقابتی بازار برق، شرکت‌های برق به رویکردهای دقیق‌تری برای پیش‌بینی ...
بیشتر
پیش‌بینی کوتاه‌مدت بار الکتریکی همواره به‌عنوان یکی از عناصر کلیدی در عملکرد اقتصادی و ایمن سیستم‌های قدرت به‌حساب می‌آید. در محیط رقابتی بازار برق، شرکت‌های برق به رویکردهای دقیق‌تری برای پیش‌بینی بار به‌منظور گرفتن تصمیمات بهتر درزمینه خرید و یا تولید برق نیازمند هستند. در این مقاله روشی نوین برای پیش‌بینی کوتاه‌مدت بار الکتریکی بر مبنای یادگیری ماشینی ارائه‌شده است. این روش از یک فرایند انتخاب داده‌ی مؤثر دومرحله‌ای و یک موتور پیش‌بینی نوین تشکیل شده است. در بخش انتخاب داده مؤثر از دو فیلتر مجزای نامربوط بودن و زائد بودن برای انتخاب بهترین مجموعه داده‌های ورودی استفاده شده است. در موتور پیش‌بینی پیشنهادی از یک ماشین بردار پشتیبان، شبکه عصبی ترکیبی و روش بهینه‌سازی آموزش جامع ازدحام ذرات، استفاده‌شده است. با بکارگیری روش بهینه‌سازی آموزش جامع ازدحام ذرات در کنار شبکه عصبی ترکیبی، دقت پیش‌بینی افزایش یافته و از خطای آن به میزان موثری کاسته می‌شود. رویکرد پیشنهادی در بازارهای برق PJM و AEMO مورد بررسی قرار گرفته است. نتایج عددی به‌دست‌آمده، نشان‌دهنده‌ی کارایی و توانایی قابل‌قبول این روش در مقایسه با آخرین روش‌های ارائه‌شده درزمینه پیش‌بینی کوتاه‌مدت بار الکتریکی است.
