دانلود ترجمه مقاله چارچوب مدل سازی فرآیند گاوسی برای پیش بینی بار

1. مقدمه 2. مدل سازی فرآیند گاوسی برای پیش بینی بار 3. یک چارچوب مدل سازی GP تلفیقی 4. آزمایشات عددی 5. نتیجه گیری

چکیده – ازدیاد منابع تولید پراکنده (DER) درحالی که قابلیت های جدیدی را ایجاد می کند، باعث بوجود آمدن نگرانی های زیادی در مورد چالش هایی مانند نوسانات دینامیک ولتاژها می شود. برای اهداف برنامه ریزی عملیاتی کارآمد و قوی، یک چارچوب مدل سازی فرآیند گاوسی یکپارچه (IGP) را برای پیش بینی مطمئن بار ساعتی، پیشنهاد می دهیم. چارچوب مدل سازی IGP پیشنهادی، ویژگی های منحصربفرد زیر را دارد: 1) IGP نه تنها از جریان های داده تولید شده توسط مشتری هدف استفاده می کند، بلکه همچنین از داده های تولید شده بوسیله مشتریان مرتبط در سیستم قدرت بهره می گیرد؛ یک روش کاهش ابعاد فضای ورودی موثر، برای بهبود قابل توجه بازده محاسباتی پیشنهاد می شود و در عین حال دقت پیش بینی کننده زیاد IGP حفظ می شود و 2) یک طرح کنترل نرخ ارتباطات داده وفقی برای بهبود بیشتر عملکرد پیش بینی کنندگی IGP با تنظیم بهینه و دینامیک نرخ ارتباطات داده استفاده شده برای هر مشتری تحت محدودیت پهنای باند ارتباطاتی داده های کل اغلب تحمیل می شود. با در نظر گرفتن رفتارهای بار و تولید بسیار غیرقطعی DER ها، چارچوب IGP پیشنهادی برای موارد آزمون IEEE استاندارد مختلف با داده های بار و تولید تجدیدپذیر گردآوری شده از سیستم های قدرت واقعی دارای DER ها، تست می شود. برتری و کارآمدی IGP بوسیله نتایج شبیه سازی ما، تایید می شوند. مقدمه: صنعت برق، در حال تجربه تغییرات اساسی و ساختاری می باشد زیرا منابع انرژی پراکنده (DER ها)، در حال تلفیق در شبکه های توزیع هستند. ازدیاد DER درحالی که قابلیت های جدیدی به ارمغان می آورد، نگرانی زیادی در مورد کارایی شبکه های قدرت بوجود می آورد. نوسانات دینامیک ولتاژ، پایداری ولتاژ، جزیره ای شدن، خطرات کار خط و سیستم توزیع که در مرزهای پایداری کار می کنند، تعدادی از مسائل مشکل ساز برای عملکرد شبکه توزیع می باشند [1]. در نتیجه، پیش بینی بار دقیق وضعیت توان برای برنامه ریزی عملیاتی جهت رفع ریسک ها، برای مثال، برنامه ریزی بانک خازنی برای اجتناب از اضافه ولتاژ در چندین ساعت، بسیار لازم است. روش های بسیاری برای پیش بینی بار در سیستم های قدرت پیشنهاد شده اند. اینها شامل مدل های سری زمانی، مدل های افزایشی نیمه پارامتری، رگرسیون بردار پشتیبانی، شبکه های عصبی، رگرسیون فرآیند گاوسی (GP) و غیره می باشند؛ برای مشاهد یک مرور ادبی جامع، به [2] تا [13] مراجعه نمایید. در [3]، نویسندگاهن مدل فصلی تضریبی ARIMA با الگوریتم افراز چند مدلی (MMPA) را برای پیش بینی بار کوتاه مدت و آشکار سازی ناهنجاری، پیشنهاد کردند.

While adding new capabilities, the distributed energy resource (DER) proliferation raises great concern about challenges such as dynamic fluctuations of voltages. For robust and efficient operational planning purposes, we propose an integrated Gaussian process (IGP) modeling framework for reliable hourly load prediction. The proposed IGP modeling framework has the following unique features: 1) the IGP utilizes not only the data streams generated by the target customer, but also those generated by relevant customers in the power system; an effective input space dimension reduction method is proposed to significantly improve the computational efficiency, while maintaining the high predictive accuracy of the IGP; and 2) an adaptive data communication rate controlling scheme is proposed to further enhance the predictive performance of the IGP by optimally and dynamically adjusting the data communication rate used for each customer under the total data communication bandwidth constraint often imposed. Taking into account the highly uncertain load and generation behaviors of DERs, the proposed IGP framework is tested on various standard IEEE test cases with load and renewable generation data collected from real-world power systems with DERs. The superiority and efficacy of the IGP are verified by our simulation results. INTRODUCTION: The electric industry is undergoing structural changes as distributed energy resources (DERs) are integrated into the distribution grids. While adding new capabilities, the DER proliferation raises great concern about the resilience of the power grids. Dynamic fluctuations of voltage profiles, voltage stability, islanding, line work hazards, and the distribution system operating at stability boundaries are some of the troubling issues for distribution grid operation [1]. As a result, highly accurate power state prediction is critical for operational planning purposes to mitigate risks, e.g., capacitor bank scheduling to avoid over-voltages in several hours. Many methods have been proposed for load forecasting in power systems. These include time series models, semiparametric additive models, support vector regression, neural networks, Gaussian process (GP) regression, etc.; for a nonexhaustive review, see [2]–[13]. In [3], the authors proposed a multiplicative seasonal ARIMA model with the multi-model partitioning algorithm (MMPA) for short-term load forecasting and anomaly detection.

بخشی از ترجمه مقاله (صفحه 26 فایل ورد ترجمه)