پيش‌بيني كوتاه‌ مدت بار الكتريكي با استفاده از مدل‌هاي خاكستري بهبود يافته مبتني بر تكرار

Short-Term Electric Load Forecasting using Iteration Based Modified Grey Models

با افزايش تقاضاي مصرف انرژي الكتريكي، شناسايي روند تغييرات بار از مسائل حائز اهميت در شبكه‌هاي برق مي‌باشد. در اين ميان پيش‌بيني كوتاه‌مدت بار براي اطمينان از تأمين تقاضا و امنيت شبكه يكي از حياتي‌ترين مباحث در مديريت فني و اقتصادي صنعت برق به‌شمار مي‌آيد. تاكنون روش‌هاي متعددي با دقت‌هاي متفاوت به‌منظور مدل‌سازي و پيش‌بيني بار در كوتاه‌مدت ارائه شده است. اكثر اين روش‌ها از تعداد داده‌هاي زياد و پارامترهايي غير از متغير پيش‌بيني استفاده مي‌كنند. در اين مقاله، مدل خاكستري و مدل خاكستري غلتان كه مي‌تواند با استفاده از تعداد داده‌هاي كم و با دقت بالا براي مدل‌سازي و پيش‌بيني سري زماني استفاده شود، بهبود داده شده است. براي افزايش دقت مدل‌هاي پيشنهادي، روش اصلاح باقي‌مانده به‌روش فوريه به‌كار گرفته شده است. علاوه بر اين، عملكرد روش‌هاي پيشنهادي با چهار روش ديگر با اعمال آنها به شبكه‌هاي ايران و نيواينگلند مقايسه شده است. چندين تعريف خطا به‌عنوان معيارهاي توانايي و دقت انتخاب‌شده و حساسيت روش‌هاي پيشنهادي به تعداد داده‌هاي مورد نياز و اندازه گام پيش‌بيني بررسي شده است. نتايج شبيه‌سازي عملكرد و دقت بالاي مدل‌هاي پيشنهادي در مدل‌سازي و پيش‌بيني بار را نشان مي‌دهد.

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.