آمار
| تعداد نشریات | 32 |
| تعداد شماره‌ها | 755 |
| تعداد مقالات | 8,378 |
| تعداد مشاهده مقاله | 10,073,886 |
| تعداد دریافت فایل اصل مقاله | 9,485,783 |
پیش‌بینی کوتاه‌مدت بار الکتریکی با استفاده از مدل‌های خاکستری بهبودیافته مبتنی بر تکرار | ||
| مجله مهندسی برق دانشگاه تبریز | ||
| مقاله 12، دوره 48، شماره 3 - شماره پیاپی 85، پاییز 1397، صفحه 1069-1081 اصل مقاله (1.09 MB) | ||
| نویسندگان | ||
کیان جوان‌اجدادی؛ سیدجلال سیدشنوا  ؛ عبدالمجید دژم‌خوی
| ||
| دانشکده فنی و مهندسی - دانشگاه محقق اردبیلی - اردبیل | ||
| چکیده | ||
| با افزایش تقاضای مصرف انرژی الکتریکی، شناسایی روند تغییرات بار از مسائل حائز اهمیت در شبکه‌های برق می‌باشد. در این میان پیش‌بینی کوتاه‌مدت بار برای اطمینان از تأمین تقاضا و امنیت شبکه یکی از حیاتی‌ترین مباحث در مدیریت فنی و اقتصادی صنعت برق به‌شمار می‌آید. تاکنون روش‌های متعددی با دقت‌های متفاوت به‌منظور مدل‌سازی و پیش‌بینی بار در کوتاه‌مدت ارائه شده است. اکثر این روش‌ها از تعداد داده‌های زیاد و پارامترهایی غیر از متغیر پیش‌بینی استفاده می‌کنند. در این مقاله، مدل خاکستری و مدل خاکستری غلتان که می‌تواند با استفاده از تعداد داده‌های کم و با دقت بالا برای مدل‌سازی و پیش‌بینی سری زمانی استفاده شود، بهبود داده شده است. برای افزایش دقت مدل‌های پیشنهادی، روش اصلاح باقی‌مانده به‌روش فوریه به‌کار گرفته شده است. علاوه بر این، عملکرد روش‌های پیشنهادی با چهار روش دیگر با اعمال آنها به شبکه‌های ایران و نیواینگلند مقایسه شده است. چندین تعریف خطا به‌عنوان معیارهای توانایی و دقت انتخاب‌شده و حساسیت روش‌های پیشنهادی به تعداد داده‌های مورد نیاز و اندازه گام پیش‌بینی بررسی شده است. نتایج شبیه‌سازی عملکرد و دقت بالای مدل‌های پیشنهادی در مدل‌سازی و پیش‌بینی بار را نشان می‌دهد. | ||
| کلیدواژه‌ها | ||
| پیش‌بینی کوتاه‌مدت بار؛ مدل خاکستری؛ مدل خاکستری غلتان؛ مدل خاکستری اصلاح باقی‌مانده به‌روش فوریه | ||
| عنوان مقاله [English] | ||
| Short-Term Electric Load Forecasting using Iteration Based Modified Grey Models | ||
| نویسندگان [English] | ||
| K. Javanajdadi؛ S. J. Seyed Shenava؛ A. Dejamkhooy | ||
| Faculty of Engineering, University of Mohaghegh Ardabili, Ardabil, Iran | ||
| چکیده [English] | ||
| Regarding to increase electric power demand consumption, identification of its change circumstances is an important issue in electric networks. From this point of view, short-term load forecasting is vital problem in technical and economic management of the power industry to ensure supply demand and network security. So far numerous methods with different accuracy have been proposed to model and forecast electric load in short-term. Most of them utilize large amounts of data and other parameters of the predictor variable. In this paper, grey model )GM(1,1)) and rolling grey model (RGM) can model and forecast time series by using low number of data and high accuracy improved. Fourier residual correction grey model (FGM) has been employed to increase the accuracy of proposed methods. In addition, the proposed methods performances have been compared with four other methods by applying them on Iran and New England networks. Several error definitions have been adopted as ability and accuracy criteria. Also, the sensitivity of the proposed methods to the number of required data and prediction step size has been investigated. Simulation results show high performance and accuracy of the proposed methods in the modeling and load forecasting. | ||
| کلیدواژه‌ها [English] | ||
| Short-term load forecasting, grey model, rolling grey model, Fourier residual correction grey model | ||
| مراجع | ||
|
[1] M. Tucci, E. Crisostomi, G. Giunta and M. Raugi, “A Multi-Objective Method for Short-Term Load Forecasting in European Countries,” IEEE Transactions on Power Systems, vol. 31, no. 5, pp. 3537-3547, 2016. [2] E. Paparoditis and T. Sapatinas, “Short-Term Load Forecasting: The Similar Shape Functional Time-Series Predictor,” IEEE Transactions on Power Systems, vol. 28, no. 4, pp. 3818-3825, 2013. [3] C. Cecati, J. Kolbusz, P. Różycki, P. Siano and B. M. Wilamowski, “A novel RBF training algorithm for short-term electric load forecasting and comparative studies,” IEEE Transactions on Industrial Electronics, vol. 62, no. 10, pp. 6519-6529 , 2015. [4] H. Yu-Hsiang, “Household electricity demand forecast based on context information and user daily schedule analysis from meter data,” IEEE Transactions on Industrial Informatics, vol. 11, no. 1, pp. 33-43, 2015. [5] L. Song, P. Wang and L. Goel, “A novel wavelet-based ensemble method for short-term load forecasting with hybrid neural networks and feature selection,” IEEE Transactions on Power Systems, vol. 31, no. 3, pp. 1788-1798, 2016. [6] S. Fattaheian, A. Fereidunian, H. Gholami-Dehkordi and H. Lesani, “Hour-ahead demand forecasting in smart grid using support vector regression (SVR),” International Transactions Electric Energy Systems, vol. 24, no. 12, pp. 1650-1663, 2013. [7] Z. Pei, X. Wu, X. Wang and S. Bi, “Short-term load forecasting based on big data technologies,” CSEE Journal of Power and Energy Systems, vol. 1, no. 3, pp. 59-67, 2015. [8] Y. Goude, R. Nedellec and N. Kong “Local Short and Middle Term Electricity Load Forecasting With Semi-Parametric Additive Models,” IEEE Transactions on Smart Grid, vol. 5, no. 1, pp. 440– 446, 2014. [9] G. P. Box and G. M. Jenkins, Time Series Analysis: Forecasting and Control, New York: Wiley, 2008. [10] Y. Chakhchoukh, P. Panciatici and L. Mili, “Electric Load Forecasting Based on Statistical Robust Methods,” IEEE Transactions on Power Systems, vol. 26, no. 3, pp. 982-991, 2011. [11] N. Amjady, “Short-term hourly load forecasting using time-series modeling with peak load estimation capability,” IEEE Transactions on Power Systems, vol. 16, no. 3, pp. 498-505, 2001. [12] S. Huang and K.Shih, “Short-term load forecasting via ARMA model identification including non-Gaussian process considerations,” IEEE Transactions on Power Systems, vol. 18, no. 2, pp. 673-679, 2003. [13] T. H. K. Yu and K. H. Huarng, “A neural network-based fuzzy time series model to improve forecasting,” Expert Systems with Applications, vol. 37, no. 4, pp. 3366-3372, 2010. [14] C. N. Ko and C. M. Lee, “Short-term load forecasting using SVR (support vector regression)-based radial basis function neural network with dual extended Kalman filter,” Energy, vol. 49, no. 1, pp. 413-422, 2013. [15] L. X. Wang and J. M. Mendel, “Generating fuzzy rules by learning from examples,” IEEE Trans. Syst., Man, Cybern, vol. 22, no. 6, pp. 1414-1427, 1992. [16] J. A. Dickerson and B. Kosko, “Fuzzy function approximation with ellipsoidal Rules,” IEEE Trans. Syst., Man, Cybern.Part B: Cybernetics, vol. 26, no. 4, pp. 542-560, 1996. [17] S. Valero and J. Aparicio, “Comparative analysis of Self Organizing Maps vs. multilayer perceptron neural networks for short-term load forecasting,” Modern Electric Power Systems (MEPS), Proceedings of the International IEEE Symposium, pp. 1-5, 2010. [18] C.C. Hsu and C.Y. Chen, “Applications of improved grey prediction model for power demand forecasting,” Energy Conversion and management, vol. 44, no. 14, pp. 2241-2249, 2003. [19] K. Kandananond, “Forecasting Electricity Demand in Thailand with an Artificial Neural Network Approach,” Energies, vol. 4, no. 8, pp. 1246-1257, 2011. [20] C. B. Lin, S. F. Su and Y. T. Hsu, “High precision forecast using grey models,” International Journal of Systems Science, vol. 32, no. 5, pp. 609-619, 2001. [21] S. F. Su, C. B. Lin and Y. T. Hsu, “A high precision global prediction approach based on local prediction approaches,” IEEE Trans. Syst., Man, Cybern.Part C: Applications and Reviews, vol. 32, no. 4, pp. 416-425, 2002. [22] A. Dejamkhooy and A. Dastfan, “Modeling and forecasting non-stationary voltage fluctuation based on grey system theory,” IEEE Transactions on Power Delivery, DOI: 10.1109/TPWRD.2014.2386696, in press, 2015. [23] A. Shekhar Pandey, D. Singh and S. Kumar Sinha, “Intelligent Hybrid Wavelet Models for Short-Term Load Forecasting,” IEEE Transactions on Power Systems, vol. 25, no. 3, pp. 1266-1273, 2010. [24] حسین شایقی و علی قاسمی، «پیش‌بینی قیمت روزانه برق با شبکه عصبی بهبودیافته مبتنی بر تبدیل موجک و روش آشوبناک جستجوی گرانشی»، مجله مهندسی برق دانشگاه تبریز، جلد 45، شماره 4، زمستان 1394. [25] فرشته صادقی، ابوالفضل جلیلوند، سیدهادی حسینی و منیژه صفاری، «ارائه یک روش ترکیبی مبتنی بر تبدیل موجک گسسته برای پیش‌بینی بار الکتریکی با استفاده از یک مدل دو بعدی»، مجله مهندسی برق دانشگاه تبریز، جلد 45، شماره 3، پاییز 1394. [26] Y. Wang, Q. Xia and C. Kang, “Secondary Forecasting Based on Deviation Analysis for Short-Term Load Forecasting,” IEEE Transactions on Power Systems, vol. 26, no. 2, pp. 500-507, 2011. [27] S. Liu and Y. Liu, Grey Systems: Theory and Applications, Berlin, Germany: Springer-Verlag, 2010. [28] H. Morita, D. P. Zhang and Y. Tamura, “Long-Term Load Forecasting Using Grey System Theory,” Electrical engineering in Japan, vol. 115, no. 2, pp. 11-20, 1995. [29] Z. X. Wang and P. Hao, “An improved grey multivariable model for predicting industrial energy consumption in China,” Applied Mathematical Modelling, vol. 40, no. 11, pp. 5745-5758, 2016. [30] M. Jin, X. Zhou, Z. M. Zhang and M. M. Tentzeris, “Short-term power load forecasting using grey correlation contest modeling,” Expert Systems with Applications, vol. 39, no. 1, pp. 773-779, 2012. [31] H. Zhao and S. Guo, “An optimized grey model for annual power load forecasting,” Energy, vol. 107, pp. 272-286, 2016. [32] N. Xu, Y. Dang and Y. Gong, “Novel grey prediction model with nonlinear optimized time response method for forecasting of electricity consumption in China,” Energy, vol. 118, pp. 473-480, 2017. [33] E. Kayacan, B. Ulutas and O. Kaynak, “Grey system theory-based models in time series prediction,” Expert Systems with Applications, vol. 37, no. 2, pp. 1784-1789, 2010. | ||
|
آمار تعداد مشاهده مقاله: 58 تعداد دریافت فایل اصل مقاله: 134 |
||
