استفاده از شبكه هاي عصبي تركيبي و روش بهينه سازي آموزش جامع ازدحام ذرات به منظور پيش بيني كوتاه مدت بار الكتريكي

Application of hybrid neural networks combined with comprehensive learning particle swarm optimization to short-term load forecasting

پيش بيني كوتاه مدت بار الكتريكي همواره به عنوان يكي از عناصر كليدي در عملكرد اقتصادي و ايمن سيستم هاي قدرت به حساب مي آيد. در محيط رقابتي بازار برق، شركت هاي برق به رويكردهاي دقيق تري براي پيش بيني بار به منظور گرفتن تصميمات بهتر درزمينه خريد و يا توليد برق نيازمند هستند. در اين مقاله روشي نوين براي پيش بيني كوتاه مدت بار الكتريكي بر مبناي يادگيري ماشيني ارائه شده است. اين روش از يك فرايند انتخاب داده ي موثر دومرحله اي و يك موتور پيش بيني نوين تشكيل شده است. در بخش انتخاب داده موثر از دو فيلتر مجزاي نامربوط بودن و زائد بودن براي انتخاب بهترين مجموعه داده هاي ورودي استفاده شده است. در موتور پيش بيني پيشنهادي از يك ماشين بردار پشتيبان، شبكه عصبي تركيبي و روش بهينه سازي آموزش جامع ازدحام ذرات، استفاده شده است. با بكارگيري روش بهينه سازي آموزش جامع ازدحام ذرات در كنار شبكه عصبي تركيبي، دقت پيش بيني افزايش يافته و از خطاي آن به ميزان موثري كاسته مي شود. رويكرد پيشنهادي در بازارهاي برق PJM و AEMO مورد بررسي قرار گرفته است. نتايج عددي به دست آمده، نشان دهنده ي كارايي و توانايي قابل قبول اين روش در مقايسه با آخرين روش هاي ارائه شده درزمينه پيش بيني كوتاه مدت بار الكتريكي است.

Short term load forecasting is one of the key components for economical and safe operation of power systems. In competitive environment of electricity market, electricity utilities require more accurate load forecasting strategies to make better decisions on purchasing or generating electricity. This article offers a new method based on machine learning short-term load forecasting which is made up of a two-level feature selection technique and a new forecast engine. The feature selection part uses irrelevancy and redundancy filters to select best sets of input features. The proposed forecast engine is composed of a support vector regression machine, hybrid neural network and comprehensive learning particle swarm optimization. By applying comprehensive learning particle swarm optimization along with hybrid neural networks, the accuracy of forecasting is improved and its error decreases effectively. The proposed strategy is tested on PJM and AEMO electricity markets. The numerical results show the effectiveness and robustness of this method in comparison with recent short-term load forecasting methods.