دانلود ترجمه مقاله بهبود پیش بینی بار الکتریکی ARIMA و ANN با سری فوریه

1. مقدمه 2. مروری بر مقالات 3. نحوه ارزیابی مدل 4. مدل پیشنهادی 5. نتایج تجربی 6. نتیجه گیری و پیشنهاد برای تحقیقات آتی

چکیده – از اوایل قرن بیستم، برق یک لزومیت و یک الزام برای زندگی مدرن است. تولید و تحویل برق به 7.4 میلیارد نفر، یکی از پیچیده ترین چالش ها در این دهه می باشد. پیش بینی بار انرژی در بازه های مختلف، بسیار مهم است. چندین روش برای انجام این پیش بینی ها انجام شده است. مثالهایی از چنین روش ها عبارتند از ARIMA، رگرسیون و «شبکه عصبی مصنوعی» (ANN). این مقاله، استفاده از سری فوریه وفقی در بهبود دقت پیش بینی مدل های ARIMA و ANN را مورد بررسی قرار می دهد. این مدل ها، همراه با مدل های بهبود یافته شان برای پیش بینی داده های پیک بار ساعتی «شورای قابلیت اطمینان برق تگزاس» (ERCOT)، بکار گرفته شده اند. نتایج تجربی نشان می دهند که استفاده از سری فوریه وفقی، توان پیش بینی کنندگی مدل های ARIMA و ANN را بهبود می بخشد. RMSE، MAE وMAPE با افزایش تعداد هارمونیک های مورد نیاز برای یکی از اجزاء فصلی خاص، بهبود می یابند. مقدمه: پیش بینی تقاضای الکتریکی تاثیری اساسی در بهره برداری و برنامه ریزی از سیستم های قدرت، مانند مدیریت عملیات ها و تعمیر و نگهداری، دارد. صنعت برق نیاز به پیش بینی عرضه، تقاضا، قیمت و رفتار کاربر دارد. همه این پیش بینی ها برای اجتناب از عدم توازن بار، کلیدزنی بار و توسعه زیرساخت، که بسیار اساسی تر از قبل هستند، لازم می باشند. با استفاده از دهه ها تجربه در گذشته، پیش بینی بار به یک موضوع پژوهشی مهم تبدیل شده است [1]. چندین پارامتر وجود دارند که بر پیش بینی بار تاثیرگذارند. این پارامترها طبق نیازهای تجاری و افق زمانی پیش بینی با هم تفاوت دارند. تعریف پارامترهای مرتبطی که بر پیش بینی و نوع پیش بینی تاثیر می گذارند، بسیار مهم است. پیش بینی بار با استفاده از پارامترهای غیرمرتبط، به هزینه بهره برداری می افزاید و تاثیر منفی بر دقت پیش بینی می گذارد [2].

Since the early 20th century, Electricity is a necessity and essential to modern life. Producing and delivering electricity to 7.4 billion people is one of the most complex challenges in this decade. It is essential to forecast the energy load at different intervals. Several methods have been developed to carry out those predictions. Examples of such methods are ARIMA, regression and artificial Neural Network (ANN). This work investigates the usage of adaptive Fourier series in enhancing the prediction accuracy of ARIMA and ANN models. Those models along with their enhanced ones are applied to forecasting hourly Peak load data of The Electric Reliability Council of Texas (ERCOT). The experimental results demonstrate that using the adaptive Fourier series enhances the prediction power of the ARIMA and ANN models. The RMSE, MAE and MAPE are enhanced by increasing the number of harmonics required for a specific seasonal component. INTRODUCTION: Electrical demand forecasting has an essential impact in the operation and planning of power systems, such as operations management, and maintenance. The electric power industry needs forecasts of supply, demand, price, and user behavior. All these forecasts are required to avoid load imbalance, load switching, and infrastructure development, which become more crucial than before. Through the past decades, load forecasting has been a great topic of research [1]. There are several parameters affecting load forecasting. These parameters differ according to the business needs and the time horizon of forecasting. It is crucial to define the relevant parameters that affect the forecasting and the type of forecasting. Load forecasting using irrelevant parameters adds more operation cost and negatively affects the forecasting accuracy [2].