پيش‌بيني بار‌الكتريكي كوتاه‌مدت با استفاده از روش‌هاي داده‌كاوي

SHORT-TERM LOAD FORECASTING USING DATA MINING

از آنجايي كه انرژي الكتريكي قابل ذخيره سازي نيست، توليد و مصرف آن در صنعت برق بايستي متناسب با تقاضا باشد. شركت‌هاي توزيع نيروي برق به‌عنوان خريدار برق، پيش‌بيني بار الكتريكي كوتاه‌مدت (STLF) شبكه تحت پوشش خود را به شركت‌هاي برق منطقه‌اي به‌عنوان فروشنده اعلام مي‌كنند. ازآنجايي‌كه الگوي بار مصرفي يك منحني غيرخطي با پارامترهاي متنوعي است، پيش‌بيني آن با روش‌هاي آماري معمول از دقت لازم برخوردار نبوده و كاهش خطاي اين پيش‌بيني تأثير بسزايي در كاهش هزينه توليد، خاموشي هاي ناخواسته و جريمه هاي اقتصادي مي شود. فرآيند داده‌كاوي از طريق تكنيك‌هاي پيش‌بيني از قبيل رگرسيون، درخت تصميم و شبكه عصبي مي‌تواند ميزان مصرف برق را به‌خوبي پيش‌بيني نمايد. هدف از اين مقاله، يافتن مدل داده‌كاوي بهينه‌اي جهت تحليل ميزان برق مصرفي گذشته و فاكتورهاي مؤثر ديگر از قبيل بهاي برق، دماي هوا، سرعت باد، بارش باران، روز هفته، تعطيلي روز و تاريخ جهت پيشبيني مصرف برق در آينده است. مجموعه داده‌هايي تحقيق مربوط به اطلاعات بار الكتريكي شركت توزيع برق استان كرمانشاه و نيز اطلاعات هواشناسي اداره كل هواشناسي استان در سال‌هاي ۱۳۹۲ و ۱۳۹۳ به‌صورت روزانه است. براي ساخت مدل‌هاي داده‌كاوي موردنظر در اين تحقيق از نرمافزار كلمنتاين ۱۲ استفاده‌شده است و الگوريتم‌هاي مورداستفاده شامل درخت رده‌بندي و رگرسيون (C RT)، شبكه عصبي و رگرسيون ساده بوده است. با پياده‌سازي مدل‌هاي مختلف پيش‌بيني عددي بر اساس متد CRISP-DM مشاهده گرديد شبكه عصبي ۲ لايه‌اي با ۵ نرون ورودي و يك نرون خروجي با ميانگين درصد خطاي 28/3 عملكرد بهتري نسبت به درخت C RT با ميانگين درصد خطاي 9/3 و الگوريتم رگرسيون با 9/5 و نيز روش فعلي پيش‌بيني با ميانگين درصد خطاي 84/3 دارد. همچنين مشخص شد كه متغيرهاي دماي هوا، قيمت برق مصرفي و مصرف برق روز مشابه از سال گذشته بيشترين تأثير را بر پيش‌بيني‌هاي انجام‌شده داشتند.

electrical energy can not be saved and production and consumption in the electric power industry should be commensurate with demand. Electric power distribution companies as buyer power, forecast short-term load (STLF) and declare to regional electricity companies, as the seller said. Data mining process through predictive techniques such as regression, decision trees and neural network can well predict the power consumption. The purpose of this article, finding an optimal data mining model to analyze the power consumption and other factors such as the price of electricity, air temperature, wind speed, rainfall, day of week, holidays, day and date in the future to predict power consumption. Research data collection information related to electricity distribution companies charge as well as meteorological data Meteorological Organization in Kermanshah Province in the years 1392 and 1393 are added daily. To build data mining models considered in the study of software and algorithms used Clementine 12 is used include classification and regression trees (C RT), and regression and neural network. neural network with 3/9 MAPE is the best method of predicting the short-time load. It was also found that variables such as air temperature, the price of electricity and power consumption same day last year had the greatest impact on forecasts conducted.