دانلود مقاله شبکه های عصبی

فصل اول : مقدمه

1-1 پیشگفتار

انرژی الکتریکی به عنوان محور اصلی توسعه صنعتی در میان انواع انرژی از اهمیت خاصی برخوردار است. این انرژی با آنکه خود به انواع دیگر انرژی وابستگی دارد، اتکا شاخه‌های مختلف اقتصادی به آن در حدی است که براحتی می‌توان حد مصرف معقول این انرژی در یک جامعه را به عنوان شاخص عمده‌ای برای تعیین حد پیشرفت اقتصادی آن جامعه دانست.

بر خلاف سهولت استفاده از این نوع انرژی و مطلوبیت آن، تولید و انتقال این انرژی از پیچیدگی زیادی برخوردار بوده و در مجموع صنعت برق با ویژگی‌هایی در میان سایر صنایع شاخص است، از جمله این ویژگی‌ها باید از لزوم همزمانی تولید و مصرف آن نام برد، به عبارت دیگر تولید برق فقط در مقابل مصرف آن مطرح می‌گردد و بطور معمول قابل ذخیره کردن نیست. دیگر ویژگی این صنعت سرمایه طلب بودن طرح‌ها و پروژه‌های آن و زمان بر بودن آنها است.

مجموعه این خصوصیات و حساسیت‌ها است که پیش‌بینی صحیح نیاز مصرف برای این نوع انرژی در آینده را طلب می‌نماید. چون هرگاه پیش‌بینی نیاز مصرف یا بار شبکه بیش از حد واقعی باشد، سرمایه‌ گذاری بیهوده در این صنعت را بدنبال خواهد داشت و هر پیش بینی بار کمتر از واقعیت باعث لطمات شدید اقتصادی شده و جبران آن به مناسبت زمان بر بودن پروژه‌های توسعه‌ای امکانات تولید و انتقال برق، غیر ممکن است.

انرژی الکتریکی در مقیاس وسیع به طور اقتصادی قابل ذخیره نمی‌باشد. بدین دلیل بر خلاف شاخه‌های دیگر اقتصاد، در اقتصاد الکتریسیته باید همزمان با مصرف، انرژی الکتریکی تولید گردد. میزان مصرف بار الکتریکی ثابت نمی‌باشد بلکه به صورت پیچیده و غیر خطی تابعی از پارامترهای متعددی می‌باشد. با توجه به متغییر بودن میزان مصرف بار الکتریکی، شرکتهای تولید کننده برق، موظفند با پیش بینی آن در زمانبندی‌های مختلف اطلاعات مورد نیاز برای تصمیم‌گیریهای خود در سیستم قدرت را حاصل نماید.

در دنیای خصوصی سازی جدید هر شرکت سعی در افزایش قابلیت اطمینان محصول خود و تولید بهینه توان برای مصرف کنندگان خود دارد. این وظیفه عموماً از طریق پیش بینی فراهم می‌شود. پیش بینی بارهای ساعتی تا یک هفته جلوتر برای کارهای برنامه‌ریزی از قبیل هماهنگی بین واحدهای آبی و حرارتی و سنجش تبادل با دیگر رقبا و برای آنالیزهای کوتاه مدت از قبیل پخش توان در مراکز دیسپاچینگ و پخش بهینه توان لازم است. به طور کلی پیش بینی بار بر اساس دوره پیش بینی به دسته‌هایی تقسیم می‌شود :

برنامه ‌ریزی بسیار کوتاه مدت (چند دقیقه تا چندین ساعت) : برنامه ریزی بسیار کوتاه مدت اطلاعات مورد نیاز در پخش بار اقتصادی و تخمین اطمینان را تأمین می‌نماید. همچنین پیش بینی بسیار کوتاه مدت (چند دقیقه تا چند ساعت) برای زمانبندی تعویض قدرت بین شرکتها و مطالعه تحمیلات انتقال مفید می‌باشد.

برنامه ‌ریزی کوتاه مدت (یک روز تا یک هفته) : برنامه ریزی کوتاه مدت برای برنامه ریزی روزانه و هفتگی، در مدار قرار گرفتن بهینه نیروگاهها (بهینه سازی ولتاژ/ توان راکتیو، برنامه‌ریزی برای انرژی رزرو مورد نیاز، زمان بهره‌برداری پمپی از نیروگاه‌های پمپ ذخیره‌ای) و تبادل انرژی با شرکا استفاده می‌شود.

برنامه‌ریزی میان مدت (1 ماه تا 5 سال) : در برنامه‌ریزی میان مدت، با در نظر گرفتن توان و ترکیب نیروگاههای موجود، میزان ذخیره سوخت، میزان ذخیره آب مخزنها، در مورد نحوه و زمان بکارگیری نیروگاههای حرارتی و آبی، تهیه سوخت، میزان تبادل انرژی الکتریکی با سیستم‌های همسایه در سیستم‌های بهم پیوسته، زمان‌بندی بهینه برای بازرسی و تعمیرات نیروگاهها و شبکه تصمیم‌گیری می‌شود.

برنامه ریزی بلند مدت (5 تا 30 سال): در برنامه ریزی بلند مدت با در نظر گرفتن توان و ترکیب و طول عمر نیروگاههای موجود، توانایی شبکه انتقال و توزیع، قراردادهای بلند مدت برای تبادل انرژی الکتریکی با سیستم‌های مجاور (کشورهای همسایه) در سیستم‌های بهم پیوسته، در مورد نوع، اندازه و محل احداث نیروگاه‌های جدید، نحوه گسترش شبکه، بستن و یا تجدید نظر در قراردادها و ... تصمیم‌گیری می‌شود.

بار در یک شبکه برقرسانی به مجموع مصارف مختلف انرژی الکتریکی در یک واحد زمانی اتلاق می‌گردد. بار شبکه به مناسب همزمانی و غیر همزمانی مصرف انرژی در بخش‌های مختلف دستخوش تغییراتی در طول شبانه روز، هفته، ماه و سال می‌گردد.

اگر به یک منحنی تغییرات بار بیست‌و چهار ساعته در الگوی مصرف انرژی الکتریکی ایران توجه کنیم ملاحظه می‌شود که منحنی از یک حداقل غیر صفر شروع می‌شود و پس از عبور از آن، با یک شیب نسبتاً تند به سمت کوهان دوم که بزرگتر از کوهان اول است میل نموده، پس از گذر از آن دوباره به سمت حداقل میل می‌کند. باید توجه داشت که ظهور این دو کوهان ناشی از همزمانی مصرف انرژی الکتریکی بخشهای مختلف مصرف در طول یک شبانه‌روز است. جالب توجه است که منحنی تغییرات بار در طول ماه و سال نیز تقریباً روند مشابهی با تغییرات بار بیست و چهار ساعته دارد. در مطالعه بار بخصوص در پیش بینی بار اعم از پیش‌بینی بار ساعتی روزانه جهت تنظیم برنامه بهره‌برداری از نیروگاهها تا بار ماههای سال برای تنظیم برنامه تعمیرات منظم و دوره‌ای و بارهای سالهای آینده برای برنامه‌ریزی توسعه‌ای این متغیرها و عوامل مؤثر در پیدایش آنها مورد توجه قرار می‌گیرد.

منحنی مصرف برای مصرف کننده کاملاً تصادفی و غیر مشخص بوده وقابل پیش‌بینی نیست و از سوی دیگر، هر مجموعه خاص از مصرف کننده‌ها منحنی مصرف مخصوص به خود را دارا است، همچنین مصرف بار الکتریکی تابعی کاملاً غیر خطی و بسیار پیچیده از پارامترهایی از جمله شرایط آب و هوایی، شرایط اقتصادی، زمان و عوامل تصادفی می‌باشد. همچنین تقریباً هر روز هفته منحنی خاص خود را دارد. لذا مدل مورد نظر باید توانایی این کار راد اشته باشد که اثر تمامی این عوامل را بر منحنی مصرف در نظر بگیرد، همچنین بایستی خطای پیش بینی تا حدامکان کم باشد، از طرفی دارای ساختاری ساده باشد و در کوتاهترین زمان ممکن به جواب نهایی برسد، و از همه مهمتر اینکه استفاده از آن برای برنامه‌ریزان و اپراتورها ساده باشد. لذا با توجه به اهمیت پیش بینی بار کوتاه مدت و خواصی که برای یک برنامه ریزان و اپراتورها ساده باشد. لذا با توجه به اهمیت پیش بینی بار کوتاه مدت و خواصی که برای یک برنامه پیش‌بینی بار بر شمردیم، روشهای مختلفی در این زمینه ارائه شده است که هر یک به نوعی دارای برخی کاستی‌ها (و بخصوص در پیش بینی روزهای تعطیل) بودند، با وارد شدن شبکه‌های عصبی در این عرصه تقریباً تمامی مدلها وروشهای قبلی کنار گذاشته شد، چراکه این شبکه‌ها دارای توانایی‌های بسیار زیادی رد بیان روابط غیر خطی می‌باشند. در شکل صفحه بعد موارد استفاده پیش‌بینی بار کوتاه مدت آمده است.

(تصاویر در فایل اصلی موجود است)

شکل 1-1 موارد استفاده پیش بینی بار کوتاه مدت

1-2- تاریخچه پیش بینی بار

پیش بینی کوتاه مدت بار در شبکه‌ های قدرت از دیرباز مورد توجه قرار گرفته است. اتخاذ تصمیم در مدیریت انرژی، در مدار قرارگیری نیروگاهها، بررسی پخش بار اقتصادی، تحلیل قابلیت اطمینان سیستم و برنامه‌ریزی تعمیر و نگهداری و نیروگاهها، همگی نیازمند پیش بینی بار در بازه‌های زمانی مختلف می‌باشد. در گذشته روشهای متعدد آماری مورد استفاده قرار می‌گرفت، ک هاز آن جمله می‌توان به روش هموار سازی نمایی، روش باکس جنکیز، روش تخمین حالت، سریهای زمانی و فیلتر کالمن اشاره نمود. این روشها عموماً برای روزهای عادی مؤثر بوده و برای روزهای خاص سال قابل اعتماد نیستند. به همین خاطر در بعضی کشورها اپراتورهای با تجربه، پیشگویی را با قوانین منطقی خود انجام داده و یا با استفاده از تجربه، نتایج روشهای آماری را تصحیح می‌کنند.

با پیشرفت تکنولوژی رایانه، کاربرد حافظه وسیع‌تر و همچنین افزایش سرعت دسترسی به اطلاعات و انجام محاسبات پیچیده‌تر میسر گردیده و در دو دهه اخیر تکنیکهای هوش مصنوعی مورد توجه قرار گرفته است. از سال 1988 به بعد، مقالاتی در پیش بینی بار کوتاه مدت مشاهده می‌گردد، که در آن مدل ریاضی به ندرت به چشم می‌خورد و پیش بینی تنها از طریق تحلیل اطلاعات گذشته و ادغام تجربیات اپراتورها صورت می‌گیرد.

با ورود شبکه‌های عصبی به مقوله پیش بینی بار کوتاه مدت در سال 1991 توسط Yangm,HSU و Park و همکارانش، زمینه ابطال روشهای ریاضی قبل تقریباً به طور کلی فراهم گردید.

1-3 رئوس مطالب

فصل جاری حاوی مقدمه و تاریخچه پیش بینی بار کوتاه مدت و همچنین رئوس مطالب پایان نامه می‌باشد. در فصل دوم روشهای قدیمی پیش بینی بار کوتاه مدت ذکر شده و مهمترین آنها را که بیش از سایرین استفاده می‌شدند، توضیح داده‌ایم. در فصل سوم مبانی شبکه‌های عصبی و شیوه‌های آموزش این شبکه‌های آمده‌است. با توجه به اهمیت و نقش پارامترهای ورودی در آموزش یک شبکه عصبی، در فصل چهار با جمع‌بندی کارای انجام شده قبلی در این زمینه به همراه مهمترین متغییرهای ورودی آنها آمده است و در فصل پنجم نیز کاربرد شبکه‌های عصبی در پیش بینی کوتاه مدت بار آمده است و در ادامه نتایج کلی و پیشنهاداتی برای انجام کارهای بعدی آمده است.

فصل 2

کلیات روشهای پیش بینی بار کوتاه مدت

2-1 انواع پیش بینی بار

2-1-1 پیش بینی بر اساس مقیاس زمانی

روشهای پیش بینی بار را بر اساس مقیاس زمانی بکار برده شده همانگونه که گفته شد می‌توان به سه دسته تقسیم کرد :

پیش بینی کوتاه مدت از یک ساعت تا یک هفته که در کنترل اتوماتیک و بهره‌برداری روزانه و لحظه به لحظه از سیستم استفاده دارد.

پیش بینی میان مدت بار که تا دو سال را در بر می‌گیرد، در برنامه‌ریزی مسائل سوخت و تهیه برنامه‌‌های نگهداری و سرویس واحدهای تولید شبکه بکار گرفته می‌شود.

پیش بینی بلند مدت بار که مربوط به پنج سال و بیش از آن است، در جهت گسترش سیستم و طراحی سیستم‌های جدید استفاده می‌شود.

2-1-2 پیش بینی بر اساس نحوه عملکرد

از نظر شیوه عملکرد، کلیه الگوریتم‌ها به دو دسته تقسیم می‌شوند : online , offline :

طریقه online در بهره‌برداری لحظه به لحظه از سیستم قدرت و ینز بار گذاری اقتصادی نیروگاههای سیستم مورد استفاده قرار می‌گیرد.

طریقه offline در جهت برنامه ریزی نیروگاه های بخاری و گازی استفاده می‌شود.

2-2 الگوی بارو عوامل مؤثر بر آن در سیستم قدرت

مجموع بار تمامی مصرف کننده‌ها به اضافه تلفات شبکه، کل بار سیستم ر ا تشکیل می‌دهد. منحنی مصرف برای مصرف کننده‌ها تا حدودی تصادفی و غیرمشخص بوده و به درستی قابل پیش بینی نیست و از سوی دیگر، هر مجموعه خاص از مصرف کننده‌ها منحنی مصرف مخصوص به خود را دارا است و به همین دلیل با استفاد هاز هر یک از مصرف کننده‌ها نمی‌توان به بار کل سیستم دست یافت. اما با وجود همه این شرایط همه مصرف کننده‌ها مجموعاً یکر وند و الگوی کلی ارائه می‌دهند که می‌توان آن راب ا روشهای آماری پیش بینی کرد.

عوامل مؤثر بر منحنی مصرف را می‌توان به چهار دسته تقسیم کرد که در زیر به توضیح هر یک می‌پردازیم :

2-2-1 عوامل اقتصادی

عوامل اقتصادی، شامل سطح فعالیت‌های کشاورزی و صنعتی، میزان رشد جمعیت و رشد اقتصادی منطقه (برای پیش‌بینی‌های میان مدت و بلند مدت)

2-2-2 عوامل اقلیمی

عوامل اقلیمی که موجب می‌شود منحنی مصرف برق مربوط به دستگاه‌های گرم کننده و سرد کننده تغییر کند. عواملی چون درجه حرارت، رطوبت هوا و سرعت وزش باد از مهمترین عوامل اقلیمی می‌باشند که در زیر به توضیح مختصری از هر یک می‌پردازیم :

2-2-2-1 درجه حرارت

دمای خشک بر روی مصرف انرژی ساعتی و همچنین مصرف زمان پیک تأثیر زیادی می‌گذارد، این اثر ابتدا باعث تغییر متوسط منحنی مصرف می‌گردد، به طوری که مقدار متوسط الگوی بار یک روز گرم در تابستان بالاتر از یک روز سردتر قرار می‌گیرد و عکس این موضوع در زمستان مصداق پیدا می‌کند.

2-2-2-2- رطوبت

میزان رطوبت هوا باعث تغییر دمای مرطوب هوا و تغییر در احساس گرما توسط انسان می‌شود. این اثر در تابستان و بخصوص در نواحی شمالی و جنوب کشور که اصطلاحاً دارای آب و هوایی شرجی هستند اثر قابل توجهی بر روی میزان مصرف بار می‌گذارد.

2-2-2-3 سرعت باد

باد در تابستان باعث خنک‌تر شدن هوا و در نتیجه کاهش میزان مصرف می‌شود و در زمستان نیز منجر به افزایش شدت سردی و درپی آن ازدیاد مصرف می‌گردد.