نوع مقاله : مقاله پژوهشی

نویسندگان

• مسعود اکبری ¹
• مریم شریف نژاد ¹
• منا شریف نژاد ²
• غلامعلی حاجی ¹

¹ گروه اقتصاد، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران.

² گروه کامپیوتر، واحد اراک، دانشگاه آزاد اسلامی، اراک، ایران.

چکیده

پیش‌بینی بار الکتریکی برای برنامه‌ریزی نیروگاه‌ها، تأمین تقاضای برق و ایجاد زیرساخت‌های انرژی قابل اعتماد و کارآمد بسیار مهم است. این پیش‌بینی به سه نوع بلندمدت، میان‌مدت و کوتاه‌مدت تقسیم می‌شود. پیش‌بینی بار کوتاه‌مدت (STLF) به دلیل استفاده از منابع انرژی پراکنده، ترکیب منابع انرژی تجدیدپذیر و مدیریت تقاضا در شبکه‌های هوشمند اهمیت زیادی دارد. برای این کار از مدل‌های مختلفی مانند هوش مصنوعی، مدل‌های سنتی یا ترکیبی استفاده می‌شود. دقت پیش‌بینی کوتاه‌مدت برای مدیریت بهینه سیستم‌های برقی حیاتی است. عواملی مثل آب‌وهوا، تعطیلات و دما بر پیش‌بینی تأثیر می‌گذارند، اما استفاده از حجم بالای داده‌ها می‌تواند زمان‌بر و پرهزینه باشد. به همین دلیل، در این پژوهش از یک مدل ساده‌تر استفاده شده که نیازهای واقعی را برآورده می‌کند. دو مدل جدید برای پیش‌بینی بار کوتاه‌مدت پیشنهاد شده است: یکی مدل ترکیبی مبتنی بر سری زمانی مکی‌گلاس با منطق فازی و دیگری مدل منطق فازی پیش‌بین. هر دو مدل با الگوریتم بهینه‌سازی اسب وحشی (WHO) آموزش دیده‌اند. این مدل‌ها با داده‌های چندساله از استان مرکزی ایران آزمایش شده‌اند. عملکرد مدل‌ها با معیارهایی مثل میانگین درصد خطا (MAPE) و میانگین مربع خطا (MSE) ارزیابی شده و با سه روش دیگر (LSTM، ARIMA و ANFIS) مقایسه شده است. نتایج نشان می‌دهد که مدل پیشنهادی خطای کمتری نسبت به روش‌های دیگر دارد و عملکرد بهتری ارائه می‌دهد.

کلیدواژه‌ها

• پیش‌بینی بار کوتاه‌مدت
• پاسخگویی به تقاضا
• شبکه هوشمند
• سری زمانی مکی گلاس
• الگوریتم بهینه سازی اسب وحشی

موضوعات

• مطالعات اقتصادی مرتبط با حامل‌های انرژی (فسیلی، تجدیدپذیر و برق)