دانلود ترجمه مقاله یک مدل جدید برای پیش بینی کوتاه مدت بار الکتریکی

1. مقدمه 2. کارهای مرتبط با پیش بینی کوتاه مدت بار 3. چارچوب روش پیشنهادی 4. مراحل طراحی روش پیشنهادی 5. نتایج شبیه سازی و آنالیز 6. خلاصه

چکیده – امروزه پیش بینی بار الکتریکی به منظور حداقل سازی بیشتر هزینه بازار انرژی روز بعد، اهمیت یافته است. پیش بینی بار می تواند به اپراتور کمک کند تا مدیریت موثری بر برنامه پاسخ به تقاضا داشته باشد. پیش بینی تقاضای بار الکتریکی با بازده و دقت بالا می تواند به اپراتور در طراحی برنامه ریزی عملیاتی معقول در واحدهای تولیدی، کمک نماید. با این حال، حل مساله پیش بینی بار، وظیفه ای خطیر و چالش برانگیز می باشد زیرا بار می تواند تحت تاثیر عواملی چون پیشینه قبلی بار، چندین عامل بیرونی (مانند متغیرهای آب و هوایی، متغیرهای اجتماعی، روز کاری یا تعطیلی)، ساعت مربوط به آن روز، و فصول قرار گیرد. در جهت حل مساله پیش بینی کوتاه مدت بار (STLF) و بهبود بیشتر دقت پیش بینی، ما در این مقاله یک مدل STLF ترکیبی نوین با روش تحلیل همبستگی و تجزیه سیگنال ارائه داده ایم. بدین منظور، سری زمانی تقاضای بار با استفاده از تجزیه سیگنال مود ذاتی (IEMD) به یک سری مولفه های فرکانس پایین عادی تجزیه شده است. به منظور جبران سازی افت اطلاعات در طول تجزیه سیگنال، ما تاثیر متغیرهای برون زاد را با تحلیل همبستگی از طریق T-Copula بررسی کرده ایم. با توجه به تحلیل T-Copula، متغیر باینری نشانگر بار پیک از مقدار ریسک (VaR) استخراج شده تا دقت پیش بینی بار در طول زمان اوج بهبود یابد. داده های حاصل از IEMD و T-Copula به شبکه باور عمیق اعمال شدند تا تقاضای بار آتی در زمانی خاص پیش بینی گردد. روش داده محور پیشنهادی روی داده های زمان واقعی مربوط به استرالیا و ایالات متحده آمریکا تایید گردید. عملکرد مدل پیش بینی بار پیشنهادی از نظر میانگین درصد خطای مطلق (MAPE) و خطای جذر میانگین مربعات (RMSE) ارزیابی گردید. نتایج شبیه سازی تایید کردند که مدل پیشنهادی، کاهش شدیدی را در مقادیر MAPE و RMSE در مقایسه با پیش بینی بار مبتنی بر تجزیه مود ذاتی سنتی نشان می دهند.

Nowadays electricity load forecasting is important to further minimize the cost of day-ahead energy market. Load forecasting can help utility operators for the efficient management of a demand response program. Forecasting of electricity load demand with higher accuracy and efficiency can help utility operators to design reasonable operational planning of generation units. But solving the problem of load forecasting is a challenging task since electricity load is affected by previous history load, several exogenous external factors (i.e., weather variables, social variables, working day or holiday), time of day, and season of the year. To solve the problem of short-term load forecasting (STLF) and further improve the forecasting accuracy, in this paper we have proposed a novel hybrid STLF model with a new signal decomposition and correlation analysis technique. To this end, load demand time series is decomposed into some regular low frequency components using improved empirical mode decomposition (IEMD). To compensate for the information loss during signal decomposition, we have incorporated the effect of exogenous variables by performing correlation analysis using T-Copula. From the T-Copula analysis, peak load indicative binary variable is derived from value at risk (VaR) to improve the load forecasting accuracy during peak time. The data obtained from IEMD and T-Copula is applied to deep belief network for predicting the future load demand of specific time. The proposed data driven method is validated on real time data from the Australia and the United States of America. The performance of proposed load forecasting model is evaluated in terms of mean absolute percentage error (MAPE) & root mean square error (RMSE). Simulation results verify that, the proposed model provides a significant decrease in MAPE and RMSE values compared to traditional empirical mode decomposition based electricity load forecasting.