دانلود ترجمه مقاله پیش بینی کوتاه مدت بار با استفاده از شبکه عصبی مصنوعی

1. مقدمه 2. ANN برای STLF 3. روش پیش بینی بار 4. شبیه سازی و نتایج 5. نتیجه گیری و کارهای آتی

پیش بینی بار کوتاه مدت برای برنامه ریزی، راه اندازی و کنترل سیستم قدرت لازم است. این کار توسط شرکت های برق، بهره برداران سیستم، مولدها، بازاریابان برق انجام می شود. در این مقاله، پیش بینی بار با استفاده از ANN (شبکه عصبی مصنوعی) انجام گرفته است. از آنجایی که پروفایل بار برای روزهای داخل هفته و آخر هفته متفاوت است، بنابراین برای پیش بینی بهتر عملکرد، آموزش دادن شبکه عصبی به صورت جداگانه برای روزهای داخل هفته و آخر هفته، انجام شده اند. به این ترتیب پیش بینی به صورت جداگانه برای روزهای داخل هفته و آخر هفته، انجام می شود. جعبه ابزار شبکه عصبی با 20 نورون، برای پیش بینی بار منطقه NEPOOL از ISO نیوانگلند، استفاده شده است. دمای ساعتی (حباب خشک)، رطوبت (نقطه شبنم) و بار الکتریکی منطقه NEPOOL از سال 2004 تا 2008، در نظر گرفته شده است. مدل ANN به صورت ساعتی از سال 2004 تا 2007 آموزش داده شده و در داده های خارج از نمونه از سال 2008، تست شده اند. مجموعه آزمون تنها برای پیش بینی جهت تست عملکرد مدل برروی داده های خارج از دوره، استفاده می شود. نتایج شبیه سازی بدست آمده، مقایسه داده های بار واقعی و پیش بینی شده را نشان داده اند. عملکرد پیش بینی کننده با استفاده از MAE، MAPE و خطای پیش بینی اوج مصرف روزانه، محاسبه می شود. مقدمه: پیش بینی بار یک مولفه بسیار مهم در سیستم مدیریت انرژی سیستم قدرت است. سه افق پیش بینی –کوتاه مدت، میان مدت و درازمدت، وجود دارد. STLF ، پیش بینی ساعتی یا کمتر از ساعت پیش بینی بار است که از ساعت بعد تا هفته بعد، شروع می شود. عمدتاً بوسیله شرکت های برق برای گرفتن تصمیمات به مدار آوری واحد، کاهش ظرفیت رزرو چرخان، برای هماهنگ سازی نوع مولد جهت تعیین عملکرد حداقل هزینه، برای بارگذاری خط انتقال، برنامه ریزی مبادله و خرید انرژی، لازم است. علاوه بر شرکت های برق، نهادهای تازه شکل گرفته دیگر مانند تجمیع کنندگان بار، بازاریابان برق و بهره برداران سیستم مستقل نیز نیاز به کیفیت خوب پیش بینی بار برای عملیات های خود دارند [1، 2].

Short term load forecasting is required for power system planning, operation and control. It is used by utilities, system operators, generators, power marketers. In this paper, load forecasting has been done using ANN (Artificial Neural Network). As load profile is different for weekdays and weekends, so for better forecasting performance, training of neural network has been done separately for weekdays and weekends. Accordingly forecasting is done separately for weekdays and weekends. Neural network toolbox with 20 neurons has been used for forecasting load of NEPOOL region of ISO New England. Hourly temperature (Dry bulb), humidity (Dew point) and electricity load of NEPOOL region has been taken from 2004 to 2008. ANN model is trained on hourly data from 2004 to 2007 and tested on out-of-sample data from 2008. The test set is used only for forecasting to test the performance of the model on out-of-sample data. Simulation results obtained have shown the comparison of actual and forecasted load data. Performance of forecaster is calculated using MAE, MAPE and daily peak forecast error. INTRODUCTION: Load forecasting is a very important component in power system energy management system. There are three forecasting horizons - short term, medium term and long term. STLF is hourly or sub-hourly forecasting of load forecasting starting from next hour to next week. It is mainly required by electric utilities for making unit commitment decisions, reduce spinning reserve capacity, for generator type coordination to determine least cost operation, for transmission line loading, interchange scheduling and energy purchase. In addition to utilities, other newly formed entities such as load aggregators, power marketers, and independent system operators also need good quality of load forecasting for their operations. [1,2]