پیش بینی بار الکتریکی

سرویس آموزش و آزمون برق نیوز: در اقتصاد الکتریسیته ، شرکت های تولید کنده ی برق موظفند ، مصرف کننده های خود را با قابلیت اطمینان زیاد ، با کیفیتی بالا و قیمت مناسب با توجه به محدودیت هایی از جمله حفظ محیط زیست ، قرارداد با دیگر شرکا در سیستم های به هم پیوسته و با در نظر گرفتن قیودی نظیر توان و نوع نیروگاه های موجود ، میزان ذخیره ی سوخت مورد نیاز نیروگاه های حرارتی ، میزان آب موجود در مخزن ها برای استفاده ی نیروگاه های آبی ، و غیره تغذیه نماید . برای نیل به این اهداف باید از طرفی ، تجهیزات مورد نظر نیروگاه ها و شبکه های انتقال و توزیع ، به نحو بهینه مورد استفاده و بهره برداری قرار گیرند (حد اقل سرمایه گزاری دراز مدت ) و از طرفی دیگر ، انرژی های اولیه ی موجود برای تولید برق (انواع سوخت ها ، آب ، … ) به طرز بهینه، مورد مصرف واقع شوند(حداقل مخارج بهره برداری)، برنامه ریزی و بهره برداری بهینه در سیستم های قدرت از نقطه نظر زمانی درچند مرحله به شرح زیر انجام می پذیرد:

برنامه ریزی دراز مدت (۵-۳۰ سال): در برنامه ریزی دراز مدت ،با در نظر گرفتن توان و ترکیب و طول عمر نیروگاه های موجود، توانایی های شبکه هاتی انتقال و توزیع ، قرارداد های دراز مدت برای تبادل انرژی الکتریکی با شرکا در سیستم به هم پیوسته، در مورد نوع و اندازه و محل احداث نیروگاه های جدید ، نحوه ى گسترش شبکه ، بستن ویا تجدید نظر در قرارداد ها تصمیم گیری می شود.

برنامه ریزی میان مدت (تا یک سال): در برنامه ریزی میان مدت با در نظر گرفتن توان و ترکیب نیروگاه های موجود ، میزان ذخیره ی سوخت ، میزان آب ذخیره در مخزن ها ، قرارداد با شرکا ، در مورد نحوه و زمان بکارگیری نیروگاه های حرارتی و آبی ، تهیه ی سوخت ، میزان تبادل انرژی الکتریکی با شرکا ، زمانبندی بهینه برای بازرسی و تعمیرات نیروگاه ها و شبکه ، تصمیم گیری می شود.

برنامه ریزی کوتاه مدت (یک روز تا یک هفته ) : در برنامه ریزی کوتاه مدت ، با در نظر گرفتن قیود موجود و محدودیت ها و با استفاده ی حداکثر از انرژی و توان خریداری شده از شرکا ، در مورد در مدار قرار گرفتن بهینه ی نیروگاه های خودی ، به منظور کاستن هزینه ی سوخت تصمیم گیری می شود .

برنامه ریزی لحظه ای (چند دقیقه تا چند ساعت ) : در برنامه ریزی لحظه ای ، توزیع اقتصادی بار در بین نیروگاه های موجود در مدار و نیز کنترل توان – فرکانس مد نظر می باشد.

اطلاعات لازم برای انجام برنامه ریزی مرحله ای بهینه در سیستم های قدرت ، توسط پیش بینی میزان مصرف بار الکتریکی در زمان بندی های قید شده در فوق ، در دسترس قرار می گیرد

مصرف بار الکتریکی به صورت پیچیده و غیر خطی تابعی از پارامترهای متعددی از جمله شرایط آب و هوایی ( درجه حرارت ، مقدار رطوبت ، روشنایی هوا ، سرعت باد ) می باشد . در ضمن ، هر روز هفته ، منحنی بار خاص خود را دارد . منحنی های مصرف بار در روزهای تعطیل و غیر تعطیل نیز از یکدیگر متمایز می باشند . در فصول مختلف سال نیز ، با توجه به عوامل مختص هر فصل ، نظیر طول روز ، منحنی مصرف بار تغییر می کند.

 

در طول زمان نیز با توجه به رشد جمعیت و رشد اقتصادی جامعه ، میزان میانگین مصرف بار ، به مرور افزایش یا بالعکس بر اثر بهینه شدن ابزار الکتریکی و یا اقدامات صرفه جویانه مصرف کنندگان عمده ی برق ، کاهش می یابد . تغییر عادات مصرف کنندگان ، بر اثر مدیریت بار از سوی تولید کنندگان انرژی الکتریکی و یا تغییر ساخت اقتصادی ( کشاورزی ، صنعتی ، خانه داری ، تجاری و …)محل تغذیه و یا در کوتاه مدت عواملی به مانند برنامه های تلویزیونی ، نیز بر ساختمان اقتصادی بار موثر می باشند . در مدل سازی ، برای پیش بینی منحنی مصرف ، باید تمامی این عوامل بیان کننده ی منحنی بار در نظر گرفته شوند . اضافه بر آن از این مدل ها ، انتظار می رود که با خطای کم ، منحنی بار را ، پیش بینی نمایند .

پیش بینی بار کوتاه مدت ( Short Tterm Load Forecasting ): در طراحی و بهره برداری سیستم های قدرت نقش اساسی ایفا می کند . به طوری که یکی از نیازهای مهم برای برنامه ریزی هایی همچون وورد و خروج واحدهای نیروگاهی ( Unit Commitment ) ، تخصیص سوخت ( Fuel Allocation ) ، توزیع اقتصادی بار ( Economic Lload Dispatch ) ، برنامه ی زمان بندی تعمیرات و نگهداری ( Maintenance Scheduling ) و … می باشد .

به طور کلی روش های پیش بینی بار کوتاه مدت به دو دسته تقسیم می شوند :

الف – روش سنتی

ب – روش مدرن


از جمله روش های سنتی می توان به سری های زمانی و تحلیل گرهای رگرسیونی اشاره نمود . در سال هغای اخیر کاربرد روش های مدرن هوش مصنوعی نظیر شبکه های عصبی و سیستم های خبره ی فازی به منظور پیش بینی بار بسیار مورد توجه قرار گرفته اند .دلیل مهم استفاده از شبکه های عصبی در پیش بینی بار کوتاه مدت ، توانایی آنها در یادگیری روابط پیچیده بین ورودی ها و خروجی های آن می باشد .

البته پیش بینی بار به کمک شبکه های عصبی به تنهایی نمی تواند عملکرد خوبی را برای روزهای تعطیل و روزهایی با تغییرات شدید آب و هوایی داشته باشد . زیرا منحنی های بار چنین روزهایی کاملا با روزهای عادی متفاوت است . بنا بر این برای پیش بینی بار روزهایی با شرایط مذکور ، سیستم فازی پیشنهاد می شود.