تعداد نشریات | 44 |
تعداد شمارهها | 1,320 |
تعداد مقالات | 16,195 |
تعداد مشاهده مقاله | 52,821,269 |
تعداد دریافت فایل اصل مقاله | 15,498,865 |
ارائه یک روش ترکیبی مبتنی بر تبدیل موجک گسسته برای پیشبینی بار الکتریکی با استفاده از یک مدل دوبعدی | ||
مجله مهندسی برق دانشگاه تبریز | ||
مقاله 7، دوره 45، شماره 3 - شماره پیاپی 73، آذر 1394، صفحه 67-78 اصل مقاله (1012.75 K) | ||
نویسندگان | ||
فرشته صادقی1؛ ابوالفضل جلیلوند* 2؛ سیدهادی حسینی3؛ منیژه صفاری4 | ||
1دانشجوی کارشناسی ارشد گروه مهندسی برق - دانشکده مهندسی دانشگاه زنجان | ||
2دانشیار گروه مهندسی برق - دانشکده مهندسی دانشگاه زنجان | ||
3استادیار گروه مهندسی برق - دانشکده مهندسی دانشگاه زنجان | ||
4شرکت توزیع نیروی برق استان زنجان | ||
چکیده | ||
چکیده: پیشبینی میزان تقاضای انرژی الکتریکی و شناسایی روند تغییرات آن، عامل کلیدی و مؤثری در برنامهریزی، طراحی و بهرهبرداری از شبکه قدرت است. بیگمان آگاهی از میزان مصرف انرژی الکتریکی، اساس و زیربنای برنامهریزی و تصمیمگیری در سیستمهای قدرت است. در این مقاله با معرفی روش ترکیبی تبدیل موجک و حداقل مربعات خطا و ارائه یک مدل دوبعدی برای بار، پیشبینی پیک ماهیانه بار استان زنجان در افق بلندمدت صورت میگیرد. بهمنظور ارزیابی کارآمدی این روش، نتایج حاصله از اعمال روش ترکیبی پیشنهادی با چند روش مختلف مقایسه شده است. نتایج ارزیابیها حاکی از آن است که روش ترکیبی پیشنهادی از توانایی بالاتری در پیشبینی بار برخوردار است. در انتها نیز با توجه به بهبود قابلتوجه شاخصهای عملکرد پیشبینی، از این روش برای پیشبینی تقاضای آینده بار استان زنجان استفاده شده است. | ||
کلیدواژهها | ||
واژه های کلیدی: پیک بار؛ پیشبینی بلندمدت بار؛ تجزیه موجک؛ مدلسازی ریاضی؛ حداقل مربعات خطا؛ تخمین پارامترها | ||
مراجع | ||
[1]C. Wang, G. Grozev and S. Seo, “Decomposition and statistical analysis for regional electricity demand forecasting,” Energy, vol. 41, no. 1, pp. 313-325, May 2012. [2]M. R. AlRashidi and K. M. EL-Naggar, “Long-term electric load forecasting based on particle swarm optimization,” Applied Energy, vol. 87, no. 1, pp. 320–326, January 2010. [3]K. B. Song, Y. S. Baek, D.H. Hong and G. Jang, “Short-term load forecasting for the holidays using fuzzy linear regression method,” IEEE Transactions on Power Systems, vol. 20, no. 1, pp. 96-101, February 2005. [4]T. Senjyu, , H. Takara, K. Uezato and T. Funabashi, “One-hour-ahead load forecasting using neural network,”IEEE Transactions On Power Systems, vol. 17, no. 1, pp. 113-118, February 2002. [5]A. Goia, C. May and G. Fusai, “Functional clustering and linear regression for peak load forecasting,” International Journal of Forecasting, vol. 26, no. 4, pp. 700-711, October 2010. [6]S. E. Papadakis, J. B. Theocharis and A. G. Bakirtzis, “A load curve based fuzzy modeling technique for short-term load forecasting,” Fuzzy Sets and Systems, vol. 135, no. 2, pp. 279–303, April 2003. [7]A. M. Al-Kandari, S.A. Soliman and M. E. El-Hawary, “Fuzzy short-term electric load forecasting,” Electrical Power and Energy Systems, vol. 26, no. 2, pp. 111–122, February 2004. [8]M. R. Amin-Naseri and A. R. Soroush, “Combined use of unsupervised and supervised learning for daily peak load forecasting,” Energy Conversion and Management, vol. 49, no. 6, pp. 1302-1308, June 2008. [9]M. Moazzami, A. Khodabakhshian and R. Hooshmand, “A new hybrid day-ahead peak load forecasting method for Iran’s national grid,” Applied Energy, vol. 101, pp. 489–501, January 2013. [10]A. Deihimi, O. Orang and H. Showkati, “Short-term electric load and temperature forecasting using wavelet echo state networks with neural reconstruction,” Energy, vol. 57, no. 1, pp. 382-401, August 2013. [11]D. J. Pedregal and J. R. Trapero, “Mid-term hourly electricity forecasting based on a multi-rate approach,” Energy Conversion and Management, vol. 51, no. 1, pp. 105–111, January 2010. [12]E. Gonzalez-Romera, M. A. Jaramillo-Morn and D. Carmona-Fernandez, “Monthly electric energy demand forecasting with neural networks and fourier series,” Energy Conversion and Management, vol. 49, no. 11, pp. 3135–3142, November 2008. [13]N. Amjady and F. Keynia, “Mid-term load forecasting of power systems by a new prediction method,” Energy Conversion and Management, vol. 49, no. 10, pp. 2678-2687, October 2008. [14]U. Basaran Filik, O. Nezih Gerek and M. Kurban, “A novel modeling approach for hourly forecasting of long-term electric energy demand,” Energy Conversion and Management, vol. 52, no.1, pp. 199–211, January 2011. [15]T. Chen and Y. C. Wang, “Long-term load forecasting by a collaborative fuzzy-neural approach,” Electrical Power and Energy Systems, vol. 43, no. 1, pp. 454–464, December 2012. [16]H. Mori and E. Kurata, “Graphical modeling for selecting input variable of short-term load forecasting,” IEEE Power Tech Conference, Lausanne, Switzerland, July 2007. [17]R. J. Hyndman and S. Fan, “Density forecasting for long-term peak electricity demand,” IEEE Transactions on Power Systems, vol. 25, no. 2, pp. 1142-1153, May 2010. [18]H. M. Al-Hamadi and S. A. Soliman, “Long-term/mid-term electric load forecasting based on short-term correlation and annual growth,” Electric Power Systems Research, vol. 74, no. 3, pp. 353-361, June 2005. [19]N. X. Jia, R. Yokoyama, Y. C. Zhou and Z. Y. Gao, “A flexible long-term load forecasting approach based on new dynamic simulation theory-GSIM,” Electrical Power and Energy Systems, vol. 23, no. 7, pp. 549-556, October 2001. [20]A. Azadeh, S. F. Ghaderi and S. Sohrabkhani, “Annual electricity consumption forecasting by neural network in high energy consuming industrial sectors,” Energy Conversion and Management, vol. 49, no. 8, pp. 2272–2278, August 2008. [21]Y. Aslan, S. Yavasca and C. Yasar, “Long-term electric peak load forecasting of Kutahya using different approaches,” International Journal on Technical and Physical Problems of Engineering (IJTPE),vol. 3, no. 2, pp. 87-91, June 2011. [22]L. Ghelardoni, A. Ghio and D. Anguita, “Energy load forecasting using empirical mode decomposition and support vector regression,” IEEE Transactions on Smart Grid, vol. 4, no. 1, pp. 549-556, March 2013. [23]T. Chen, “A collaborative fuzzy-neural approach for long-term load forecasting in Taiwan,” Computers & Industrial Engineering, vol. 63, no. 3, pp. 663–670, November 2012. [24]H. Daneshi, M. Shahidehpour and A. Lotfjou Choobbari, “Long-term load forecasting in electricity market,” IEEE International Conference on Electro/Information Technology, Ames, USA, May 2008. [25]A. J. Rocha Reis, and A. P. Alves da Silva, “Feature extraction via multiresolution analysis for short-term load forecasting,” IEEE Transactions on Power Systems, vol. 20, no. 1, pp. 189-198, February 2005. [26]D. Benaouda, F. Murtagh, J. L. Starck and O. Renaud, “Wavelet-based nonlinear multiscale decomposition model for electricity load forecasting,” Neurocomputing, vol. 70, no. 1-3, pp. 139–154, December 2006. [27]طوفانی، پریوش، مساعدی، ابوالفضل، فاخریفرد، احمد، «پیش بینی بارندگی با استفاده از نظریه موجک»، نشریه آب و خاک ، جلد25، شماره 5، آذر- دی 1390. [28]B. Li and X. Chen, “Wavelet-based numerical analysis: A review and classification,” Finite Elements in Analysis and Design, vol. 81, pp. 14–31, April 2014. [29]C. Guan, P. B. Luh, L.D. Michel, Y. Wang, and P. B. Friedland, “Very short-term load forecasting: wavelet neural networks with data pre-filtering,” IEEE Transactions on Power Systems, vol. 28, no. I, pp. 30-41, February 2013. [30]N. Amjady and F. Keynia, “Short-term load forecasting of power systems by combination of wavelet transform and neuro-evolutionary algorithm,” Energy, vol. 34, no. 1, pp. 46-57, January 2009. [31]P. Bunnoon, K. Chalermyanont and C. Limsakul, “Mid-term load forecasting: level suitably of wavelet and neural network based on factor selection,” Energy Procedia, vol. 14, pp. 438-444, 2012. [32]جلیلوند، ابوالفضل، حسینی، سید هادی، صادقی، فرشته، «پیش بینی بلندمدت بار الکتریکی پستهای فوق توزیع استان زنجان با استفاده از الگوریتم بهینه سازی تراکم ذرات»، بیست و هشتمین کنفرانس بین المللی برق، پژوهشگاه نیرو، 11 الی 13 آبان 1392. [33]N. Dongxiao, Z. Yunyun and L. Jinpeng, “The application of time series seasonal multiplicative model and GARCH error amending model on forecasting the monthly peak load,” International Forum on Computer Science-Technology and Applications, Chongqing, China, December 2009. | ||
آمار تعداد مشاهده مقاله: 5,658 تعداد دریافت فایل اصل مقاله: 3,186 |