دانلود ترجمه مقاله پیش بینی بار احتمالی کوتاه مدت بر مبنای الگوهای بار ولتاژ متوسط

1. مقدمه 2. چارچوب‌های پایین به بالا برای پیش‌بینی بار کوتاه‌مدت پست انتقال HV 3. پیش بینی بار MV احتمالی مبتنی بر FNN 4. پیش‌بینی بار احتمالی پست HV بر اساس چارچوب‌های پایین به بالا 5. مطالعات موردی 6. نتیجه گیری

چکیده – پیش‌بینی بار همواره بخش لاینفکی از برنامه‌ریزی و عملیات سیستم قدرت به شمار می آید. همچنین، رقابت بازار و الزامات مربوط به یکپارچه‌سازی انرژی‌های تجدیدپذیر در دهه‌های اخیر توجهات بیشتری را به سمت روش‌های پیش‌بینی بار احتمالی معطوف کرده است. این روش همچنین می‌تواند از طریق فواصل پیش‌بینی، عدم قطعیت‌های پیش‌بینی را نمایان کرده و به نحو موثری به اثربخشی و تاثیرگذاری فعالیت‌های تصمیم‌گیری در زمینه عملیات سیستم منجر شود. همچنین، با توسعه فزاینده شبکه هوشمند و تکنیک‌های مربوط به اندازه‌گیری برق، شرکت‌های برق در رابطه با مشترکین برق و پست‌ها، داده‌های بار بسیار زیادی را جمع‌آوری کرده‌اند. همچنین شایان ذکر است که، این حجم بالای داده‌های بار باعث می شود که برای دستیابی به دقت بهتر در پیش‌بینی بار پست ولتاژ بالا، بتوان به صورت موثری از داده‌های اندازه‌گیری ولتاژ متوسط استفاده نمود. در این مطالعه، برای پیش‌بینی بار کوتاه‌مدت پست انتقال ولتاژ بالا، یک روش پیش‌بینی احتمالی از پایین به بالا ارائه شده‌است که در آن توزیع‌های احتمالی مقادیر مربوط به پیش‌بینی بار روز بعد ولتاژ متوسط، برآورد شده و به منظور پیش‌بینی‌های بار ولتاژ بالا جمع می‌شوند. همچنین، بر اساس الگوهای بار جمع‌آوری‌شده از خطوط خروجی ولتاژ متوسط و پست‌ها به ترتیب دو چارچوب از پایین به بالا ارائه شده‌است که طی آن برای تصحیح پیش‌بینی‌های ولتاژ بالا، عدم تطابق بین داده‌های بار در سطوح مختلف مورد ارزیابی قرار می گیرد. علاوه بر این، نتایج بدست آمده از مقایسه پیش‌بینی‌های صورت گرفته با روش‌های سنتی و پایین به بالا حاکی از آن است که در روش پیشنهادی، پیش‌بینی بار ولتاژ بالا با دقت بیشتری انجام می گیرد و فواصل پیش‌بینی محدودتری حاصل می شود. نتیجه گیری: در این مطالعه، یک روش پیش‌بینی بار احتمالی از پایین به بالا بر مبنای داده‌های بار MV برای STLF پست HV ارائه شده است، که متشکل از دو چارچوب خاص از پایین به بالا با استفاده از داده‌های بار جمع‌آوری‌شده از خط خروجی MV و پست MV می باشد. در چارچوب‌های پیشنهادی، پیش‌بینی‌های بارهای MV و خطای جمع بندی، به دست آمده و با پیش‌بینی‌های بار HV جمع می شوند. پیش از تجمیع، توزیع‌های احتمالی پیش‌بینی‌های بار MV تأیید می‌شوند که توزیع‌های گاوسی مستقل هستند و این امکان را فراهم می کنند که پیش‌بینی بار HV از توزیع‌های MV به طور مؤثر و صحیح تجمیع شوند. همچنین، بر اساس داده های بار MV در شرق چین، موارد عددی جامع در فصول مختلف مورد مطالعه قرار گرفتند. علاوه بر این، در مقایسه با روش‌های سنتی PLF، روش از پایین به بالا با دقت بهتر و فواصل پیش‌بینی کمتری پیش‌بینی بار را ارائه می دهد. این امر گویای این است که روش پیشنهادی برای ارائه پیش‌بینی‌های بهتر بار پست انتقال HV از پتانسیل زیادی برخوردار است که می‌تواند در ایجاد برنامه‌های تولید، توزیع تولید، تحلیل جریان بار و نظارت بر اضافه بار ترانسفورماتورهای HV یا خطوط انتقال موثر باشد. لازم به ذکر است که در مطالعات آتی، مدل‌های پیشرفته‌تر NN به جای FNN با هدف بهبود بیشتر دقت پیش‌بینی، در چارچوب‌های PLF پایین به بالا در نظر گرفته می‌شوند.

Load forecasting has always been an essential part of power system planning and operation. In recent decades, the competition of the market and the requirements of renewable integration lead more attention to probabilistic load forecasting methods, which can reflect forecasting uncertainties through prediction intervals and hence benefit decision-making activities in system operation. Moreover, with the development of smart grid and power metering techniques, power companies have collected enormous load data about electricity customers and substations. The abundant load data allow us to utilize medium voltage measurement data to achieve better accuracy in high voltage transmission substation load forecasting. In this paper, a bottom-up probabilistic forecasting method is proposed for high voltage transmission substation short-term load forecasting, in which the probability distributions of medium voltage day-ahead load forecasting values are estimated and added up to form high voltage load predictions. Two bottom-up frameworks based on load patterns collected from medium voltage outgoing lines and substations are proposed respectively, in which mismatches between load data at different levels are estimated for correcting high voltage predictions. The comparison of predictions obtained by traditional and bottom-up methods demonstrates that the proposed method obtains high voltage load forecasting more accurately and give narrower prediction intervals. CONCLUSION: A bottom-up probabilistic load forecasting method based on MV load data is proposed for HV substation STLF, which contains two specic bottom-up frameworks utilizing load data collected from MV outgoing line and MV substation respectively. In the proposed frameworks, predictions of MV loads and add-up error are obtained and aggregated to HV load predictions. Before the aggregation, probability distribu- tions of MV load predictions are veried to be independent Gaussian distributions, which enable us to efciently and correctly aggregate HV load prediction from MV ones. Comprehensive numerical cases in different seasons have been studied based onMVload data in East China. Compared with traditional PLF methods, bottom-up method endows load predictions with better accuracy and narrower prediction intervals. This implies the proposed method has great poten- tial for providing better HV transmission substation load predictions, which can help to establish generation schedules, distribute generation, analyze load ow and monitor over- loads of HV transformers or transmission lines. In future studies, more state-of-the-art NN models rather than FNN will be considered in the bottom-up PLF frame- works to further improve the prediction accuracy.

ترجمه این مقاله در 31 صفحه آماده شده و در ادامه نیز صفحه 20 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.