بسم الله الرحمن الرحیم
پیش بینی بار در سیستمهای انرژی
فهرست مطالب
عنوان
فصل اول : مقدمه ای بر پیش بینی بار در سیستم های توزیع انرژی الکتریکی
1-1 مقدمه کلی و تاریخچه
2-1 اهداف پروژه
3-1 تقسیم بندی زمانی پیش بینی بار
4-1 مرور روشهای پیش بینی بار سیستم های توزیع انرژی
1-4-1 پیش بینی بار با روش رگرسیون خطی
2-4-1 پیش بینی بار با سریهای زمانی تصادفی
1-2-4-1 روش خود برگشتی
2-2-4-1 روش حرکت متوسط
3-2-4-1 روش خود برگشتی حرکت متوسط
4-2-4-1 روش خود برگشتی تجمع یافته با حرکت متوسط
3-4-1 روش یکنواخت سازی نمایی عمومی
4-4-1 پیش بینی بار با کاربری ارضی
5-4-1 پیش بینی بار با شبکه های عصبی
6-4-1 پیش بینی بار با منطق فازی
فصل دوم: پیش بینی بار در سیستم های توزیع با روش رگرسیون
1-2 مقدمه
2-2 تقسیم بندی کلی روشهای کلاسیک پیش بینی بار و بررسی روش رگرسیون
3-2 اصلاح روش پیش بینی بار رگرسیونی
1-3-2 اصلاح اول: حل مشکل انتقال بار
2-3-2 اصلاح دوم:حل مشکل استنتاج سطح خالی
3-3-2 اصلاح سوم: حل مشکل گروه بندی
4-2 اطلاعات مورد نیاز
5-2 اعمال روش بهبود یافته
6-2 آزمایش و نتیجه گیری
فصل سوم: پیش بینی بار به روش کاربری ارضی
1-3 مقدمه
2-3 معرفی روش کاربری ارضی
3-3 مراحل روش کاربری ارضی
1-3-3 تقسیم بندی شهر به سلولهای مساوی
2-3-3 گروه بندی مشترکین
1-2-3-3 مناطق مسکونی
2-2-3-3 صنایع سنگین و مصرف کنندگان بزرگ
3-2-3-3 صنایع کوچک و خدماتی
4-2-3-3 اماکن تجاری
5-2-3-3 روشنایی اماکن عمومی
6-2-3-3 اماکن خاص
4-3 ناحیه بندی شهر
5-3 اعمال روش
1-5-3 پیش بینی بار مناطق مسکونی
2-5-3 پیش بینی بار مناطق تجاری
3-5-3 پیش بینی بار روشنایی معابر
4-5-3 پیش بینی بار اصلی و خدماتی
5-5-3 پیش بینی بار اماکن خاص
6-3 نتیجه فصل
فصل چهارم : پیش بینی بار با استفاده از فیلتر کالمن
1-5 مقدمه
2-5 پیش بینی بار
3-5 پیش بینی بار در شبکه برق های منطقهای و سیستم های توزیع
4-5 تعیین مدل ریاضی جهت پیش بینی بار در یک شبکه نمونه
5-5 استفاده از فیلتر کالمن جهت تخمین بهینه حداکثر بار مصرفی
فصل اول
مقدمه ای بر پیش بینی بار در سیستم های توزیع انرژی
1-1 مقدمه کلی و تاریخچه
پیش بینی بار یک فرایند مرکزی و جامع در برنامه ریزی و بهره برداری صنعت برق بوده است. روشهای برخورد زیادی در دو دهه اخیر برای به کارگیری این مسئله تحقیق و بررسی شده اند.این روشها اغلب ماهیتا با هم تفاوت داشته و به نظریات مختلف مهندسی و تحلیل های اقتصادی پاسخ می دهند.
یکی از مراحل مهم در طراحی سیستمهای توزیع انرژی الکتریکی پیش بینی بار و سیر تغییرات آن از زمان حال تا
پایان سال مورد نیاز برای طراحی می باشد.پیش بینی بار صحیح علاوه بر صرفه جویی در هزینه های سرمایه گذاری، امکان برنامه ریزی زمانی مناسب جهت اجرای پروژه را نیز فراهم می نماید.
(طراحی دینامیک). در کشورهای پیشرفته و در حال توسعه، برنامه های اقتصادی میان مدت و بلند مدتی به منظور رسیدن به اهداف اقتصادی و اجتماعی ان کشورها طرح ریزی می شود.یکی از شاخه های برنامه های اقتصادی، پیش بینی مصرف انرژی و شاخه فرعی ان ، پیش بینی مصرف انرژی الکتریکی است.
با پیش بینی مصرف انرژی الکتریکی می توان اطلاعات کافی برای طراحی و توسعه شبکه های توزیع تهیه کرد. این پیش بینی به منظور تحلیل نیازهای اینده و برنامه ریزی در باره محل ،ظرفیت و وابستگی فیدرها، پست های اصلی و پست های فرعی ، مورد نیاز است.
پیش بینی مصرف انرژی الکتریکی با اعمال ضریب بار به پیش بینی بار پیک تبدیل می شود. تا جهت طراحی اجزاء مختلف سیستمهای تولید ، انتقال و توزیع انرژی الکتریکی استفاده می شود گروه کاری پیش بینی بارIEEE در دو فاز فهرست مستندی در مورد پیش بینی بار منتشر کرده است.فهرست اول(فاز 1)فلسفه های کلی پیش بینی بار را پوشش داده است،و فهرست دوم(فاز2) روی موضوعات اقتصادی پیش بینی بار تمرکز دارد.آخرین بررسی بوسیله Gross وGaliana در1987 گزارش می شود که در این گزارش نویسندگان روشهای مختلف پیش بینی بار کوتاه مدت را بررسی کرده اند. که بعضی از روشها پیشنهادی بوده و بعضی نیز هم اکنون مورد استفاده می باشند. انتشارات دیگری نیز وجود دارند که مسئله پیش بینی بار را بررسی نموده اند. یکی از اینها کار آقای Bunn است که روندهای پیش بینی بار کوتاه مدت را در صنعت تولید برق مورد
ارزیابی قرار داده است.در یک کار دیگرآقایBunnوFarmer به بررسی و بحث در روشهایی از پیش بینی پرداخته اند که در صنعت برق به کار برده می شوند.کار دیگری توسط آقایFields انجام شده که مدلهای تحقیقاتی پیش بینی کمی را در بر گرفته است در پیش بینی بار تکنیکهای مختلفی برای مسئله پیش بینی روزانه بار به کار گرفته شده است.تقریبا کلیه این تکنیک ها از روشهای آماری استفاده کرده اند،اما امروزه روشهای پیشرفته تری وجود دارند که با استفاده از سیستم های خبره(مبتنی بر دانش)مسئله پیش بینی بار را انجام می دهند.
1-2 اهداف پروژه
بررسی اهمیت پیش بینی بار سیستم های توزیع انرژی
مزایا و نتایج حاصل از پیش بینی صحیح بار در سیستم های توزیع انرژی
معرفی و مقایسه روشهای مختلف پیش بینی بار سیستم های توزیع انرژی
ارائه روش های نوین و کارا در پیش بینی بار سیستم های توزیع انرژی
پیشنهاد یک روش جدید در پیش بینی بار سیستم های توزیع انرژی مبتنی بر منطق فازی و شبکه های عصبی
1-3 تقسیم بندی زمانی پیش بینی بار
انرژی الکتریکی در مقیاس وسیع به طور اقتصادی قابل ذخیره نمی باشد. بدین دلیل بر خلاف شاخه های دیگر اقتصاد، در اقتصاد الکتریسیته باید همزمان با مصرف, انرژی تولید گردد. میزان مصرف با الکتریکی ثابت نمی باشد بلکه تصوری پیچیده و غیرخطی تابعی از پارامترهای متعددی می باشد. با توجه به متغیر بودن میزان مصرف بار الکتریکی، شرکتهای تولید کننده برق، موظفند با پیش بینی آن در زمان بندی های مختلف اطلاعات مورد نیاز برای تصمیم گیریهای خود در سیستم قدرت را حاصل نمایند.
بطور کلی پیش بینی بار بر اساس دوره پیش بینی به دسته هایی تقسیم می شود.
بلند مدت (5 تا 30 سال)، پیش بینی آماری اقتصادی که نقش اصلی در برنامه ریزی اقتصادی ظرفیت تولید و شبکه های انتقال دارد.
میان مدت (1 ماه تا 5 سال) ، که به طور عمده برای برنامه ریزی سوخت مصرفی، برنامه ریزی تعمیرات و نگهداری، برنامه های مالی و تعرفه بندی بکار می رود.
کوتاه مدت (1 روز تا چندین هفته) , برای برنامه ریزی روزانه و هفتگی، در مدار قرار گرفتن بهینه نیروگاهها (بهینه سازی ولتاژ – توان راکتیو، برنا مه ریزی برای انرژی رزرو مورد نیاز, زمان بهره برداری از نیروگاههای پمپ ذخیره ای ) و تبادل انرژی الکتریکی با شرکا استفاده میشود.
بسیار کوتاه مدت (چند دقیقه تا چندین ساعت) ، که اطلاعات مورد نیاز در پخش بار اقتصادی و تخمین اطمینان را تامین می نماید. همچنین پیش بینی بسیار کوتاه مدت (چند دقیقه تا چندین ساعت)،
برای زمانبندی تعویض قدرت بین شرکت ها و مطالعه تحمیلات انتقال مفید می باشد. پیش بینی کوتاه مدت بار که در آن بار یک روز تا یک هفته آینده به صورت ساعتی پیش بینی می شود معیار مهمی در برنامه ریزی جهت بهره برداری از شبکه های قدرت می باشد.
تعیین زمان حداکثر بار و آمادگی قبلی برای زمانهای بحرانی شبکه، مطالعات پخش بار، مطالعات قابلیت اطمینان سیستم، برنامه ریزی برای سرویس شبکه و حتی بهره برداری اقتصادی از شبکه های تولید و انتقال همگی در گرو پیش بینی بار ساعتی میان مدت می باشد.
1-4 مرور روشهای پیش بینی بار سیستم های توزیع انرژی
روشهای مختلف برای پیش بینی بار سیستم های توزیع انرژی وجود دارد که می توان موارد زیر را نام برد
1- پیش بینی بار با رگرسیون خطی
2- پیش بینی بار با سریهای زمانی آماری.
3- پیش بینی بار با اکسپونانسیل عمومی.
4- پیش بینی بار با کاربری ارضی
5- پیش بینی بار با شبکه های عصبی
6- پیش بینی بار با منطق فازی.
1-4-1 پیش بینی بار با روش رگرسیون خطی چند متغیره(MLR):
در روش رگرسیون خطی چند متغیره(MLR)بار بر حسب متغیرهای توصیفی خود مثل متغیر آب و هوا ومتغیرهای غیر آب و هوایی که بر بار الکتریکی تاثیر می گذارد تعریف می شود.
مدل بار با استفاده از این روش به شکل زیر می باشد:
y(t) : بار الکتریکی
x(t),…,x(t): متغیرهای توصیف گر مرتبط با y(t)
a(t): متغیر تصادفی با مقدار متوسط صفر و واریانس ثابت
a , a,…,a: ضرایب رگرسیون
متغیرهای توصیف گر این مدل بر اساس تحلیلCorrelation هر یک از متغیر های مستقل با متغیر وابسته بار شناسایی می شوند. تجربه در مورد مدل کردن بار در شناسایی اولیه متغیرهای موثر کمک می کند. تخمین ضرایب رگرسیون معمولا با استفاده از تکنیک تخمین حداقل مربعات(Least square) بدست می آید.
آزمایشات آماری(مثل آزمایش F-test) نیز برای تعیین اهمیت ضرایب رگرسیون به اجرا در آورده می شوند.ضرایبt که از این آزمایشات بدست می آیند، تعیین کننده اهمیت هر یک از ضرایب و اهمیت متغیر مربوط با این ضرایب می باشد. توضیح بیشتر روش رگرسیون در فصل2 ارائه می شود.
1-4-2 پیش بینی بار با سریهای زمانی تصادفی(STS):
این روش عمومی ترین روش برخورد است که در پیش بینی به کار گرفته می شود و هنوز هم در دنیا برای زپیش بینی بار کوتاه مدت در صنعت برق استفاده می شود.تئوری سریهای زمانی در کتب مختلف تشریح شده اند و مقالات پیش بینی بار زیادی با تکیه بر این روش منتشر شده اند. بطور خلاصه ، سریهای بار y(t) به عنوان خروجی یک فیلتر خطی هستند که ورودی آن سریهای تصادفی a(t) می باشند و معمولا به عنوان نویز سفید نام برده می شوند. این مدل در شکل زیر نشان داده شده است:
شکل 1- مدل سازی سریهای زمانی بار
بسته به مشخصات فیلتر خطی ، مدلهای مختلفی به صورت زیر دسته بندی می شوند:
1-4-2-1 روش خود برگشتی (Auto regressive) (AR) :
در روش خود برگشتی مقدار فعلی سریهای زمانی y(t) به صورت خطی بر حسب مقادیر قبلی خود یعنی
ونویز تصادفی y(t-2) و y(t-1)
a(t)
تشریح می شود.درجه این پروسه بستگی به قدیمی ترین مقدار
قبلی که
y(t)
به آن برگشته است دارد.در یک پروسه خود برگشتی با درجه
p
به صورت زیر در می آید:
(یعنی AR(P) ) مدل فوق الذکر
با معرفی اپراتور
B
به صورت
y(t-1)=By(t)
و در نتیجه
y(t-m)=By(t)
، معادله (2) به شکل زیر نوشته
می شود:
(3)
–
1-4-2-2 روش حرکت متوسط (MA)(Moving Average) :
در روش حرکت دادن متوسط ،مقدار فعلی سریهای زمانی
y(t)
به صورت خطی بر حسب مقادیر فعلی و قبلی
سریهای نویز
a(t)،a(t-1)
بار با مقدار بدست آمده محاسبه می گردند.درجه این پروسه بستگی به قدیمی ترین مقدار نویز دارد که y(t) به آن برگشت داده شده است.در روش حرکت متوسط با درجه q (یعنی MA(p) ) مدل فوق الذکر به صورت زیر نوشته می شود:
و … تشریح می گردند.این سریهای نویز از خطاهای پیش بینی
یا باقیمانده مشاهدات
(4)
کاربرد مشابه معادله (3) برای اپراتور سریهای نویز سفید، در معادله (4) نیز وجود دارد که معادله را به صورت زیر در می آورد:
1-4-2-3 روش خود برگشتی حرکت متوسط :
(ARMA)(Auto Regressive MovingAverage)
در روش خود بر گشتی حرکت متوسط ،مقدار فعلی سریهای زمانی
y(t)
به صورت خطی بر حسب مقادیر
خود در زمانهای قبل یعنی
y(t-1),y(t-2)
و …
و بر حسب مقادیر فعلی و قبلی نویز سفید
a(t),a(t-1)
و… تشریح می شوند.درجه روش
ARMA
مدل مربوطه به صورت زیر می شود:
(6)
با استفاده از اپراتوری که قبلا تعریف شده، معادله (6) به صورت زیر در می آید:
که
قبلا تعریف شده اند.
1-4-2-4 روش خود برگشتی تجمع یافته با حرکت متوسط:
(ARIMA)(Auto Regressive Integreted Moving Average)
سریهای زمانی که در بالا تعریف شدند مثل
AR،MA
،یا
ARMA
منظور از ایستایی آن است که متوسط سریهای هر پروسه و کوواریانس بین مشاهدات با زمان تغییر نمی کنند.اگر پروسه غیر ایستا باشد، ابتدا باید سریها را به پروسه ایستا تبدیل کرد.این کار برای سریهای زمانی که دارای متوسط غیر ایستا هستند می تواند انجام شود، اما با یک روش متفاوت. با تعریف اپراتور D ، سریهای زمانی تفاوت دار از درجه 1 با استفاده از تعریف B به صورت زیر می تواند نوشته شود:
به عنوان روشهای ایستا نام دارند.
به همین ترتیب سری های زمانی با درجه تفاوتیd به صورت زیر در می آید:
سری های ایستای تفاوت دار می توانند به صورت
AR ،MA
یا
ARMA
مدل سازی شده و در نتیجه
سری های زمانی
ARI ،IMA یا ARIMA
را بدست دهند.برای سریهایی
که نیاز به
d
MA
بار مشتق
گیری
داشته و درجه های
p وq
در مولفه های
وAR
داشته باشند(یعنی
)ARIMA (p.d.q)
،مدل مربوطه به صورت زیر نوشته می شود:
که
قبلا تعریف شده اند.
1-4-3 روش یکنواخت سازی نمایی عمومیGES)(General Exponetial Smoothing)):
در این روش،بار در زمان
t
یعنی
y(t)
را با استفاده از تابع مناسب سازی
مدل سازی کرده و بار
y(t)
به صورت زیر نمایش داده می شود:
=
بردار تابع مناسب نمودن پروسه
=
بردار ضرایب
T= اپراتور ترانسپوز
𝜀
(t)
=
نویز سفید
تخمین ضرایب با استفاده از خطای مربع میانگین وزنی برای N فاصله نمونه قبلی صورت می گیرد، یعنی باید نتایج زیر را مینیمم نمود:
نتیجه این مینیمم سازی، بردار تخمین ضرایب به صورت زیر است:
پیش بینی سریها در زمانt به صورت زیر صورت می گیرد:
تخمین ضرایب و پیش بینی ها به ترتیب با استفاده از معادلات زیر اصلاح می گردند:
که
.
که
می باشد.
ماتریس L ماتریس انتقال نام داشته و بر مبنای اینکه مدل باید تابع زیر را برآورده سازد ساخته می شود:
-4-4 پیش بینی بار با کاربری ارضی
پیش بینی بار به روش ارضی (landuse) بر پایه کاربریهای ارضی مصرف کنندگان مختلف استوار است . در این روش یک شهر را نه به عنوان بار نقطه ای بلکه یک بار توزیع یافته بررسی کرده و سعی می شود که با تخمین و پیش بینی توزیع اینده بارهای مختلف در سطح شهر ، و به میزان بار مصرفی شهر به تفکیک مصرف کننده های مختلف برای سال های اتی ، پیش بینی شود. بنابراین ضروری است که با
روش های دقیق
اماری
و جمع آوری اطلاعات اقتصادی-اجتماعی ، چگونگی استفاده هر یک از مصرف کنندگان از اراضی شهری، مشخص شود.این مسئله را پیدا کردن کاربری ارضی می نامیم.تکیه اصلی روش بر پیش بینی انرژی مصرفی مشترکین قرارداد تا با دانستن انرژی مصرفی انها و اعملال ضریب بار (LF) مقدار پیک بار هر گروه از مشترکین مشخص شود. توضیح بیشتر این روش در فصل 3 ارائه شده است
1-4-5 پیش بینی بار با شبکه های عصبی
روش سنتی پیش بینی بار استفاده از نتایج آماری می باشد لیکن در سالهای اخیر روشهای جدیدی بر اساس هوش مصنوعی ارائه گردیده است.
هدف در روشهای هوش مصنوعی این است که از کامپیوتر تنها به عنوان یک محاسبه گر استفاده نشود بلکه با توجه به تغییرات بار ناشی از شرایط مختلف در گذشته آموزش دیده و در تحت شرایط مختلف بتواند الگوهای مناسبی ا زگذشته را پیدا کرده و بر اساس آن پیش بینی بار نماید. پیش بینی بار با شبکه های عصبی یک روش کارا می باشد که توضیح کامل آن در فصل 4 ارائه شده است
1-4-6 پیش بینی بار با منطق فازی
جدید ترین و دقیق ترین روش پیش بینی بار سیستم های توزیع انرژی است توضیح کامل آن در فصل 4 ارائه شده است.
فصل دوم
پیش بینی بار در سیستم های توزیع با روش رگرسیون
2-1 مقدمـه
استفاده از رگرسیون در پیش بینی بار یکی از روشهای متداول و مفید بوده و کارآیی آن به اثبات رسیده است. در فصل قبل این روش بررسی اجمالی شد . در این فصل ضمن توضیح بیشتر روش رگرسیون ، روش رگرسیون اصلاح شده که کارایی بالاتری نسبت به روش رگرسیون عادی دارد بررسی شده است.
2-2 تقسیم بندی کلی روشهای کلاسیک پیش بینی بار و بررسی روش رگرسیون
در یک تقسیم بندی کلی پیش بینی بار به دو روش انجام می گیرد: ( روشهای کلاسیک)
1-شبیه سازی چند متغیره که برای سیستمهای بزرگ و با داشتن داده های متعدد و متنوعی انجام گرفته و نتایج دقیقی را نیز ارائه می دهد.
2-برازش و برونیابی رشد بار از گذشته تا آینده که روش عمومی تری نسبت به روش قبل می باشد.
روش دوم علاوه بر دارا بودن محاسبات ساده تر، با امکانات و اطلاعات کمتری نسبت به روش اول قابل انجام بوده و از نظر اقتصادی نیز به صرفه تر
می باشد هر چند که نتایج حاصله
ضعیف تر از نتایج بدست آمده از
روش شبیه سازی هستند. در تخمین بار سیستمهای توزیع معمولا ناحیه تحت پوشش به بخشهای کوچکی تقسیم شده و بار آینده هر یک از این بخشها پیش بینی می شود. برای تقسیم بندی ناحیه تحت پوشش دو روش را می توان بکار برد: تقسیم بندی منظم و تقسیم بندی نامنظم.
کوچکی با اندازه های یکسان که می توانند دارای مساحت متغییری از چند متر تا چند کیلو متر مربع باشند تقسیم می شود. و در تقسیم بندی نامنظم ناحیه با توجه به ناحیه تحت پوشش فیدر ها به بخشهای نامنظم قسمت می گردد.
روش کلاسیک تمایل یابی بار در هر ناحیه کوچک که از این پس سلول
نامیده می شود، برازش منحنی
با رگرسیون multiple در رابطه با بارهای گذشته در هر سلول است. به این صورت که با داشتن پیک بار
در هر سلول و در سال t و با اعمال روش حداقل مربعات پیک بار تخمینی برای سالهای
بدست می آید
زمان حال می باشد.)T(
از نقطه نظر برنیابی، رشد بار در سلولها مشخصه پیچیده ای را ارائه می دهد و فرم منظم و پیوسته ای ندارد اما معمولا پیک رشد بار و شیب تغییرات آن برای سالهای آینده نامشخص می شود. برای آنکه حالت پایداری به تمایل یابی داده شود، تخمین بار سال انتهای دوره پیش بینی(سال افق) نیز صورت گرفته و جزو اطلاعات ورودی قرار داده می شود.
(شکل1)
در روش رگرسیون بار بر حسب متغیرهای توصیفی خود مثل متغیر آب و هوا ومتغیرهای غیر آب و هوایی که بر بار الکتریکی تاثیر می گذارد تعریف می شود. مدل بار با استفاده از این روش به شکل زیر می باشد:
y(t) : بار الکتریکی
x(t),…,x(t): متغیرهای توصیف گر مرتبط با y(t)
a(t): متغیر تصادفی با مقدار متوسط صفر و واریانس ثابت
,a,…,a: ضرایب رگرسیون
متغیرهای توصیف گر این مدل بر اساس تحلیلCorrelation هر یک از متغیر های مستقل با متغیر وابسته بار شناسایی می شوند. تجربه در مورد مدل کردن بار در شناسایی اولیه متغیرهای موثر کمک می کند. تخمین ضرایب رگرسیون معمولا با استفاده از تکنیک تخمین حداقل مربعات(Least square) بدست می آید.
آزمایشات آماری(مثل آزمایش F-test) نیز برای تعیین اهمیت ضرایب رگرسیون به اجرا در آورده می شوند.ضرایبt که از این آزمایشات بدست می آیند، تعیین کننده اهمیت هر یک از ضرایب و اهمیت متغیر مربوط با این ضرایب می باشد.
در روش رگرسیونی معمول داده های مورد نیاز همانگونه که گفته شد محدود به پیک بار سالهای گذشته و
سال افق برنامه است در حالی که برای رسیدن به نتایج واقعی تر و رها شدن از خطاهایی که در نتیجه مسائلی چون انتقال بار از فیدری به فیدر دیگر یا وجود نواحی خال که در سالهای آینده یا حال باردار می شوند.و یا پایین آوردن زمان محاسبه و تعداد برازش منحنی ها و یافتن تابع مناسب برای برازش در مواردی که تعداد سلولها زیاد باشند لزوم وجود اطلاعات بیشتر و همچنین ایجاد تغییراتی در روش پیش بینی احساس می شود که در زیر به آن اشاره می شود.
روش گرسیون معمول هر چند یک روش نسبتا ساده و مفید است ولی دارای اشکالات زیر است:
مشکل انتقال بار
مشکل استنتاج سطح خالی
مشکل گروه بندی
با توجه به مشکلات روش رگرسیون ، روش جدید تر " رگرسیون بهبود یافته" ارائه شده است که در ادامه به بررسی آن می پردازیم.
2-3 اصلاح روش پیش بینی بار رگرسیونی
2-3-1 اصلاح اول: حل مشکل انتقال بار(Load Transfer Coupling):
در شبکه های توزیع برای متعادل نمودن یا برداشتن اضافه بار پستها یا فیدرها و یا کاهش تلفات در آنها اغلب از فاز یا فیدری دیگر انجام می گیرد و از آنجا که حین برونیابی و برازش رشد بار، تغییرات ناشی از کلید زنی نیز همزمان در نظر گرفته می شود خطاهای بزرگی در نتایج وارد می شوند(شکل 2). این ایراد با توجه به این نکته که زمان و مقدار انتقال بارها به راحتی قابل جمع آوری نیستند شکل پیچیده تری بخود می گیرد.
شکل 2
اعمال روش مارکف(Markov) یا رگرسیون خاصی که به آن LTC Reg گفته می شود می تواند ما را در حل این مشکل یاری نماید.
رگرسیونLTC با انجام رگرسیون همزمان روی دو فیدری که بین آنها ممکن است انتقال بار اتفاق بیفتد و با توجه به اطلاعاتی که در ماتریس کویلینگ نگهداری می شوند صورت می گیرد. در نتیجه نیازی به مشخص کردن مقدار و جهت انتقال بار بطور قطعی نیست و تنها تعیین این موضوع که انتقالی بین دو فیدر یا دو پست احتمالا در سال مورد نظر انجام می شود کافی است و اگر انتقال هم صورت نگیرد روشLTC مشکلی ایجاد نکرده و روش رگرسیون معمولی اعمال می گردد.
مفهوم حل همزمان دو سلول برای هر چند سلول مهم قابل تعمیم است. و تنها موضوع مورد تامل آن است که زمان محاسبه با مربع تعداد سلولهایی همزمان افزایش می یابد. لذا بندرت بیش از پنج فیدر با یکدیگر بطور همزمان برازش می شوند.
2-3-2 اصلاح دوم:حل مشکل استنتاج سطح خالی
(Vacant Area Infrence):
در پیش بینی بار مناطق شهری می توان قسمتهایی را یافت که در آنها بار قبلا وجود نداشته و از سال آغاز پیش بینی یا در سالهای میانی تا سال افق، رشد بار درآنها آغاز می گردد. در اینگونه موارد روشهای برازش استاندارد
نمی توانند از عهده انجام برازش برآیند چرا که هیچ سابقه قبلی ار بار در
دسترس نیست وروش زیر
که اختصارا
VAI
گفته می شود در حل مشکل، کمک زیادی به ما می نماید.(مطابق شکل 3)
در این روش ابتدا گروه هایی که در آنها تنها یک سلول خالی موجود می باشند مشخص شده سپس در هر یک از این گروهها مجموع بار سلولها برونیابی می شود که سلول خالی را نیز در بر می گیرد. بعد از آن بارهای موجود هر سلول به تنهایی برونیابی شده و در نهایت تفاضل مجموع این بارها از تخمین کلی، تغییرات بار را در ناحیه خالی مشخص می کند.
در نواحی بزرگ که چندین سلول خالی موجود باشد مراحل دنبال می کردند:
1-سوابق بارهای همه فیدرها در یک منحنی جمع و برونیابی می شوند.
2-سوابق بارهای همه فیدر ها به چهار ناحیه تقسیم و هر چهار ناحیه جداگانه برونیابی می شود.
3-گروههای برونیابی شده در بند قبل مجددا به چهار قسمت تقسیم و برونیابی می شوند.
4-این تقسیم بندی ادامه می یابد تا زمانی که امکان تقسیم نمودن مجدد وجود نداشته باشد.
2-3-3 اصلاح سوم: حل مشکل گروه بندی :(clustering)
با انکه مشخصه رشد بار در نواحی مختلف تقریبا دارای شکل مشابهی می باشند (s شکل) ،تفاوتهای موجود در آنها لزوم به کار بردن توابع مختلفی را برای انجام رگرسیون نمایان می کند،برای کاهش زمان و تعداد توابع پایه ای که از آنها برای برازش بر داده ها استفاده می شود گروه بندی (clustering)روش مناسبی می باشد.
برای گروه بندی روشهای مختلفی وجود دارد و همه آنها تکنیکهای ریاضی
هستند که یک دسته از داده ها
را به گروههایی تقسیم می کنند که هر یک از داده های این گروهها از جهاتی مشابهند، در این فصل الگوریتم k-means انتخاب شده است و در ضمیمه ب این فصل نیز این الگوریتم اورده شده است، در الگوریتم k-means گروه بندی سلولها به حداکثر 6 دسته که هر یک مشابه یک منحنی هستند انجام و برای هر گروه یک منحنی متوسط cluster mean گفته می شود محاسبه و مراحل لازم برای رگرسیون روی این منحنی انجام و نتیجه حاصل مجددا هر یک از منحنیها بسط داده می شود.
توابع مورد استفاده برای برازش منحنیها ، توابع توصیه شده IEEE می باشند که در ضمیمه پ لیست شده اند.
انجام شده از جهتی با انچه که در کارهای عملی به کار میرود
Clustering
متفاوت است.
به این ترتیب که بار در سال افق را 1 فرض کرده و همه مقادیر قبلی این بار سال افق بر اساس ان نرمالیزه شده و از آنها به جای مقادیر واقعی استفاده می شود. این کار با توجه به این موضوع صورت می گیرد که تقسیم بندی سلولها به صورت نامنظم انجام شده و هر سلول نماینده ناحیه تحت پوشش یک فیدر می باشد.
و در نتیجه یک فیدر با مثلا
mw
10
ممکن است چگالی باری کمتر از فیدری با بار
mw
5
داشته باشد و این موضوع برای اینکه فرض کنیم در
در ناحیه تحت
پوشش خود
clustering
تفاوت مقادیر بارهای فیدرها
ناشی از تفاوت موجود در نوع و مشخصات بارها است صحیح نیست و نرمالیزه نمودن بارها باعث می شود که clustering تنها با حالت منحنی و نه با مقدار ان مواجه باشد و این کار تحلیل داده های فیدرها را امکان پذیر می نماید.البته در مواردی که از سلول بندیهای منظم صحیحتر استفاده می شود این کار لزومی ندارد.
2-4 اطلاعات مورد نیاز
با توجه به موارد گفته شده اطلاعات مورد لزوم به شرح زیر خواهند بود:
1-پیک بار قبلی سالانه سلولها و داده های مربوط به سال یا سالهای افق.
2-لیستی از انتقال بارها که انتقال بین فیدرهای i و j را در سال t به صورت احتمالی نشان می دهد.
3-یک مختصات x و y برای هر فیدر یا سلول در نطر گرفته می شود.این مختصات محل تقریبی هر ناحیه را تعیین می نماید و در مرحله VAI برای محاسبه اینکه کدام بلوکها در یک دسته واقع می شوند استفاده می شود.
4-تعیین طول داده های لازم در هر قسمت از مراحل انجام کار این مرحله با توجه به این نکته انجام می شود که در انجام گروه بندی بزرگترین طول داده ها مورد استفاده قرار می گیرد. در حالیکه رگرسیون از کوتاهترین پریود استفاده می کند.
آزمایش های انجام شده روی داده ها نشان داده است که با در نظر گرفتن انتقال بارهای ممکنه در هر فیدر طول داده های مورد نیاز برای آن در مراحل رگرسیون از فرمول تجربی زیر قابل استخراج است:
(1 ) (تعداد انتقالها در هر سلول و در هر فیدر-1)/5=تعداد سالهای مورد استفاده برای برازش سوابق داده ها
2-5 اعمال روش بهبود یافته
با ترکیب سه روش یاد شده ، الگوریتم کلی پیش بینی بار به فرم نشان داده شده در ضمیمه الف در می آید . در این ترکیب بندی جدید همه مراحل را می توان در دو استپ خلاصه نمود:
1-گروه بندی (clustering):
همانگونه که توضیح داده شد این مرحله برای تعیین دسته هایی از اطلاعات که به یک گروه نسبت داده می شوند و معادله ای که بهترین پوشش را روی آنها داشته باشد انجام می گیرد.روش اعمال ان مطابق با انچه ذکر گردید با استفاده از الگوریتم
k-means
می باشد و تمامی داده ها را به حداکثر 6 دسته نسبت
می دهد. همین روال برای بلوکهایی با مجموع چهار فیدر که با در نطر گرفتن مختصات x و y آنها در یک گروه قرار گرفتند تکرار می گردد.این گروه بندی محاسبه می کند که کدام معادله به هر بلوک حین انجام محاسبات VAI وقتی با گروههای چهارتایی کار می کنیم باید نسبت داده شود.مشابها clustering روی گروههای 16 تایی نیز انجام شده و اگر تعداد نواحی بیشتری موجود باشند گروههای 64 تایی یا بیشتر نیز قابل دسته بندی و cluster شدن هستند.
2-برازش منحنی(trending) :
در این مرحله روش VAI مطابق با انچه که توضیح داده شده است مورد استفاده قرار می گیرد.
سوابق مورد نیاز دارای طولهای تقریبی بوده و با جمع سوابق کار همه سلولها و برازش آنها VAI شروع می شود.سپس عمل تقسیم کل ناحیه به چهار بخش انجام می گیرد.
این تقسیم بندی بر اساس مقیاس مشخصی نیست زیرا نواحی از نظر اندازه و شکل غیر یکنواختند.در هر مرحله از انالیز، رگرسیون LTC برای برازش به کار می رود. موقعی که یک سلول یا بلوکی از سلولها برازش می شود لیستی از انتقال بارها برای تشخیص سلولها یا بلوکهایی از سلولها که بین آنها انتقال بار وجود دارد تعیین و رگرسیون LTC وطابق مرجع 10 برای برازش بلوک یا سلولهای مورد نظر به کار می رود.
2-6 آزمایش و نتیجه گیری:
روش ترکیبی جدید در مقایسه با سایر روشهای برازش روی دو دسته از اطلاعات مورد ازمایش قرار گرفته است.اولی اطلاعات مربوط به یک سیستم شهری بزرگ و دیگری یک سیستم گسترده روستایی ، این تستها در مجموع برای تجزیه و تحلیل روش جدید و کامل نمودن اطلاعات مربوط به ان با انجام مقایسه نسبت به سایر روشهای برازش می باشد.
در این ازمایشها خطا به صورت قدرمطلق متوسط خطاها که با درصدی از متوسط رشد بار تعیین می گردد به فرم زیر تعریف می شود:
که در آن L(n, t)بار واقعی سلول nدر سال tو
وقتی که هر سلول یا بلوک برازش می شود، داده ها چک شده و تعداد داده های مربوط به سوابق بار بر اساس رابطه تجربی(1) محاسبه می شوند.جدول1 خطاهای پیش بینی ناشی از این روش و سایر متدهای برازش را با تست روی هر دو سیستم نشان می دهد که روش جدید واضحا بهترین نتایج را ارائه داده است.
مقدار پیش بینی شده برای آن است.
جدول1 مقایسه خطا و زمان انجام محاسبات روشهای مختلف با روش ترکیبی جدید
نتایج آزمایش روی هر دو سیستم به طور دقیق تری نیز بررسی شده تا میزان بهبود دقت و روشهای رسیدن به این هدف مشخص شود.
جدول2 دقت موجود در روش جدید را نسبت به سایر روشهای برازش منحنی با در نظر گرفتن پولهای مختلف برای سوابق بار نشان می دهد.
جدول2 مقایسه دقت روش جدید با روش رگرسیون معمولی با در نظر گرفتن سوابق بار با طولهای مختلف
در نهایت مزایای روش جدید را می توان در سه بند زیر خلاصه نمود:
1- روش جدید قادر است بار را در فیدرهایی پیش بینی کند که در حال حاضر وجود ندارند. هر چند که دارای خطای بیشتر(28%)نسبت به زمانی هستیم که سوابق بار طولانی وجود دارد.(10%)
2- روش جدید این توانایی را دارد که نسبت به روشهای قبل پیس بینی دقیق تری را برای بارهایی که سایقه کمی دارند انجام دهد.
3- این روش به انتقال بار حساس نیست.
ضمیمه الف فصل 2
ضمیمه ب: الگوریتم روش گروه بندی K-Means
ضمیمه پ: معادلات مناسب برای برازش منحنی روی سوابق بار مطابق با استانداردIEEE
فصل سوم
پیش بینی بار به روش کاربری ارضی
3-1 مقدمه
یکی از عمده ترین مراحل در طراحی و تهیه طرح جامع شبکه های توزیع انرژی الکتریکی پیش بینی بار است. پیش بینی بار در حال حاضر به روشهای مختلف صورت می گردد و هدف از ان یافتن پیک بار یک ناحیه است تا بر طبق ان طراحی شبکه توزیع انجام شود.در اکثر روش های پیش بینی بار ، با استفاده از پیش بینی مصرف انرژی الکتریکی و اعمال ضریب بار ،پیک بار ناحیه مورد نظر پیش بینی می شود.
در روش کاربری ارضی که جزو روش های یاد شده است از انجا که به اطلاعات جمعیتی ،اقتصادبی،اجتماعی، جغرافیایی یک شهر احتیاج دارد، اطلاعات بسیار زیادی برای ان مورد نیاز است و طبعا هزینه برودر مقابل دقیق می باشد.
بنابراین بسته به موقعیتهای اقتصادی ، اجتماعی هر ناحیه ، روش های خاصی جهت اقتصادی تر کردن طرح مطرح می شود.نتیجتا به جرات می توان گفت که به تعداد دفعاتی که از روش کاربری ارضی در دنیا استفاده شده ، به همان تعداد نیز ، راه ها و روش های مختلفی جهت جمع اوری و جمع بندی اطلاعات وجود دارد. طبیعی است برای کشور ما نیز باید روشهایی را جستجو کرد که حداقل هزینه را با توجه به امارهای موجود در بر داشته باشد.
از روش کاربری ارضی به دو منظور می توان استفاده کرد:
الف- براورد بار فعلی یک ناحیه بر پایه تقسیم بندی و شناخت کاربرهای ارضی موجود.
ب- پیش بینی بار اینده یک ناحیه ، بر پایه تقسیم بندی و شناخت کاربریهای ارضی موجود و کاربریهای ارضی سال افق برنامه.
3-2 معرفی روش کاربری ارضی (landuse):
پیش بینی بار به روش ارضی (landuse) بر پایه کاربریهای ارضی مصرف کنندگان مختلف استوار است . در
این روش یک شهر را نه به عنوان بار نقطه ای بلکه یک بار توزیع یافته بررسی کرده و سعی می شود که باتخمین و پیش بینی توزیع اینده بارهای مختلف در سطح شهر ، و به میزان بار مصرفی شهر به تفکیک مصرف کننده های مختلف برای سال های اتی ، پیش بینی شود.
بنابراین ضروری است که با روش های دقیق اماری و جمع اوری اطلاعات اقتصادی-اجتماعی ، چگونگی استفاده هر یک از مصرف کنندگان از اراضی شهری ، مشخص شود. این مسئله را پیدا کردن کاربری ارضی می نامیم.تکیه اصلی روش بر پیش بینی انرژی مصرفی مشترکین قرارداد تا با دانستن انرژی مصرفی انها و اعملال ضریب بار (LF) مقدار پیک بار هر گروه از مشترکین مشخص شود.
3-3 مراحل روش کاربری ارضی
حال اجمالا به توضیح مراحل مختلف پیش بینی بار به روش کاربری ارضی می پردازیم.
3-3-1 تقسیم بندی شهر به سلولهای مساوی
اولین قدم در تحقیق روی کاربری ارضی شهر ، تقسیم بندی شهر به سلولهای کوچک است تا مشخصا خصوصیات این سلولها را جداگانه بررسی کنیم.ابعاد این سلولها با توجه به تراکم بار و فشردگی جمعیت هر شهر متفاوت بوده و بهتر است برای یکسان بودن محاسبات تمام شهر به سلولهایی به مساحتهای مساوی تقسیم
شود.مساحت این سلولها در نواحی مختلف متفاوت بوده و از 1/0% کیلومتر مربع در شهر های پر جمعیت تا 25 جریب در نواحی کشاورزی متفاوت است. طول دوره پیش بینی معمولا از 20-10 سال می باشد.
3-3-2 گروه بندی مشترکین
در قدم بعد مشترکین از نظر اقتصادی ، اجتماعی و الگوی مصرف مشابه هم می باشند را در یک گروه قرار دهیم .
گروه بندی مشترکین شهری باید به گونه ای صورت گیرد که هم دقت طرح را فراهم اورد و هم
از درگیر شدن زیاد از حد در جزئیات پرهیز شود. از این رو مشترکین را عموما به شش گروه تقسیم و هر یک از گروه های فوق را با توجه به پارامترهایی چون درامد ، مصرف کاربری ارضی به زیر گروه هایی به شرح زیر تقسیم می شوند
3-3-2-1 مناطق مسکونی
مناطق مسکونی را در یک تقسیم بندی اولیه به دو زیر گروه تک واحدی و چندواحدی تقسیم می کنیم. در تقسیم بندی ثانویه مناطق مسکونی بر حسب درامد خانوار و وضعیت اقتصادی افراد آن تقسیم بندی می شود.
بدین ترتیب مناطق مسکونی به صورت زیر، گروه بندی ثانویه می شود:
مناطق مسکونی:
تک واحدی :
کم درآمد
متوسط کم
متوسط زیاد
پردرآمد
چند واحدی
کم درآمد
متوسط کم
متوسط زیاد
پر درآمد
3-3-2-2 صنایع سنگین و مصرف کنندگان بزرگ
گروه بندی صنایع سنگین و مصرف کنندگان بزرگ بر حسب وابستگی تولیدی و تکنیکی صنایع صورت می گیرد و در هر شهر بسته به صنایع موجود در ان متفاوت خواهد بود.مثلا در یک شهر می توانیم تقسیم بندیهای زیر را داشته باشیم:
صنایع سنگین
1-متالوژی واتومبیل سازی 2-استخراج غیر فلزی
3-چوب-روغن گیاهی 4- صنایع غذایی 5-متفرقه
3-3-2-3 صنایع کوچک و خدماتی
صنایع خدماتی شامل خدماتی است که در خدمات شهری نقش عمده ای دارند. در این گروه از مشترکین ، صنعتگران کوچک نیز قرار می گیرند. به عنوان مثال یک تقسیم بندی صنایع خدماتی به شرح زیر است:
1-تلفن 2-آب وفاضلاب
3-صنایع فلزی کوچک 4-متفرقه
3-3-2-4 اماکن تجاری
اماکن تجاری در سطح شهر بر حسب نوع فعالیت در سه گروه سبک متوسط ، سنگین قرار می گیرند.
مثلا فروشگاه های کوچک مواد غذایی در نواحی مسکونی جزء اماکن تجاری سبک محسوب می شوند و یا فروشگاه های بزرگ زنجیره ای یا پاساژهای بزرگ در گروه های اماکن تجاری سنگین قرار دارند بدین ترتیب اماکن تجاری به گروه های زیر تقسیم می گردند:
1-سبک 2- متوسط 3-سنگین
3-3-2-5 روشنایی اماکن عمومی
مراکز عمومی و تفریحاتی ورزشگاهها ، معابر و خیابانها جزء این گروه قرار می گیرند.بنابراین در یک تقسیم بندی نمونه ای معابر عمومی به زیرگروههای تقسیم می شوند:
1- اتوبانها 2-خیابانهای مهم
3-خیابانهای اصلی 4-یابانهای معمولی
5-خیابانهای فرعی
برای تقسیم بندی معابر شهری به گروههای فوق ، معیار مناسب عرض هر یک از خیابانهاست زیرا استانداردهای روشنایی نیز بر حسب عرض معابر مشخص شده اند
3-3-2-6 اماکن خاص
این گروه شامل اماکنی شده است که در هیچ یک از تقسیم بندیهای بالا قرار ندارند و هر یک الگوهای مصرف خاص خود را دارا می باشند.یک تقسیم بندی نمونه ای به صورت زیر می تواند باشد:
1-مراکز درمانی 2-مراکز نظامی 3-مراکزاموزشی 4-مساجد
5-متفرقه
3-4 ناحیه بندی شهر
بعد از تقسیم بندی مشترکین به گروه های ذکر شده، نواحی متفاوت شهری که ترکیبی از گروه های فوق را مشخصا درخود جای داده اند را پیدا می کنیم این تقسیم بندی ها بر اساس وضعیت و بافت شهر صورت می گیرد. زمان مورد نظر در این تقسیم بندی، سال افق برنامه هاست و وضعیت فعلی شهر در سال مبنا نیز با آمار گیری های مستقیم بدست می آید.
شکل(1) نواحی مختلف را برای یک شهر فرضی در سال افق برنامه نشان می دهد. در شهرداری هر شهر مجموعه ای کامل از قوانین شهر سازی وجود داشته که کاربری ارضی هر یک از گروه های مشترکین را مشخص سازد.
این قوانین شامل درصد تراکم،سطح زیر بنا،فضای سبزو… می باشد. از این قوانین در پیدا کردن چگونگی کاربری ارضی مشترکین در هر یک از نواحی فوق استفاده می شود.
همانطور که گفته شد تقسیم بندی های فوق براساس وضعیت آینده شهر صورت می گیرد پس ضروری است مسیر رسیدن از وضعیت موجود به وضعیت تخمین زده شده آتی مشخص شود این کار با اعمال ضرائب رشد متفاوت بر وضعیت کنونی شهر به دست می آیند.
از مهمترین ضرائب مورد استفاده ضریب تاکم و ضریب اشباع می باشند که باید برای هر ناحیه و در هر سال از دوره مشخص شوند:
ضریب تراکم= مساحت طبقات/ مساحت زمین
ضریب اشباع= تعداد جمعیت موجود/ تعداد جمعیت مجاز(سال افق برنامه)
شکل 1
برای محاسبه هر یک از ضرایب فوق در هر یک از نواحی شهر بر دو جنبه زیر تکیه می کنیم:
1-برنامه ریزی های ادارات تابعه مسکن و شهر سازی
2-اطلاعات گذشته و اعمال رگرسیون دقیق
ضرائب فوق در برنامه های ادارات تابعه مسکن و شهر سازی برای سال آینده یا به صورت خام وجود دارند(یعنی ضرایب متفرقه دیگری وجود دارد که از روی آنها ضرائب مورد نظر مشخص می گردند) و یا کاملا و مشخصا در دسترس ما می باشد. یافتن اطلاعات گذشته نیز به همین منوال می باشد.
همچنین در اعمال رگرسیون باید دقت مناسب داشت و مدلی انتخاب کرد که کمترین خطا را در
رابطه با تخمین پارامترهای گذشته ارائه دهد. در این صورت می توان گفت که اگر پارامترها رگرسیون شده مانند گذشته تغییرات داشته باشد، مقادیر آن در آینده نیز به خوبی قابل پیش بینی است.
بدین ترتیب با محاسبه ضرایب رشد، رشد مصرف کنندگان در نواحی مختلف شهری و تعداد آنها مشخص می شود می توانیم چگالی بار مصرفی هر یک (یا مصرف سرانه هر یک ) را پیدا کرده و با ضرب این دو مقدار در هم مصرف انرژی الکتریکی یک گروه خاص از مشترکین را تعیین نمود. با تکرار این عمل مصرف انرژی کل مشترکین در هر سال آینده پریود مشخص خواهد شد.
3-5 اعمال روش
در ادامه برای روشن شدن هر چه بیشتر موضوع،نتایج اعمال روش کاربری ارضی در یک شهر نمونه ارائه شده است.در قدم اول شهر مورد نظر به 247 سلول با ابعاد500×500 متر مربع تقسیم گردیده و درصد کاربریهای ارضی در نواحی شهری مطابق جدول زیر تعیین می شود:
جدول 1
حال مراحل لازم برای پیش بینی بار در هر گروه از مشترکین به تفکیک شرح داده می شود:
3-5-1 پیش بینی بار مناطق مسکونی
ابتدا مناطق مسکونی مطابق جدول2 به گروه های درآمدی تقسیم می گردند،سپس ضرایب مورد نیاز با توجه به قوانین شهرداری و مسکن و شهرسازی و همچنین استفاده از رگرسیون محاسبه می شوند که در جداول3 تا5 آورده شده اند.
جدول2-چگونگی اشتغال مناطق مسکونی توسط گروه های درآمدی بر حسب درصد
جدول3- ضرایب تراکم در نواحی مختلف شهرداری
در استخراج ضریب اشباع با توجه به بافت شهر، از نظر ضریب اشباع ناحیه شهری به سه بخش تقسیم می شود و برای هر ناحیه ضریب اشباع بصورت زیر تعریف می شود:
جدول4:ضرایب اشباع در هر ناحیه تحت گروه های درآمدی مختلف
جدول زیر نیز با توجه به قوانین شهر داری مشخص می شود:
جدول5:سطح زیربنای واحدهای مسکونی
مصرف سرانه هر گروه درآمدی با استفاده ازآمار مشترکین که در اداره برق وجود دارد استخراج شده و با محاسبه تعداد خانه ها در هر سلول برای هر گروه درآمدی مطابق فرمول ذیل و ضرب در مصرف سرانه متناظر، مصرف کل انرژی الکتریکی(مسکونی)در هر سلول بدست می آید.
که در آن DV: تعداد خانه های مسکونی هر قطعه تحت تقسیم بندی گروه های درآمدی
LA: مساحت زمین تخصیص یافته مورد نظر برای ایجاد واحد های مسکونی
FAL: کسری از منطقه که تحت سکونت یک واحدی یا چند واحدی مطابق جدول1 قرار گرفنه اند.
FIC: کسری از قطعه که تحت سکونت هر یک از گروه های درآمدی هستند(جدول2)
LM: ضریب تراکم از جدول3
SF: ضریب اشباع از جدول4
DA: سطح متوسط مناطق مسکونی بر حسب گروه درآمدی از جدول5
جدول6:خلاصه نتایج پیش بینی بار مناطق مسکونی
3-5-2 پیش بینی بار مناطق تجاری
درصدی از هر ناحیه که به هر نوع از واحدهای تجاری تخصیص داده شده است مطابق جدول 1 مشخص و از آنجا که فعالیت تجاری در هر ناحیه مستقیما متناسب با سطح جمعیت ان منطقه است. از درصد اشباع نواحی سه گانه که در جدول 2 مشخص شده متوسط گیری شده تا درصد اشباع مناطق تجاری بدست آید.
درصدی که سطح اماکن به سطح هر سلول را نشان می دهد نیز با توجه به ایین نامه های شهرداری نسبت به جمعیت و نیازهای تجاری تعیین و در اخر نیز با در نظر گرفتن سطح زیر بنا و وسائل الکتریکی مورد استفاده هر صنف میزان چگالی مصرف واحدهای تجاری در گروه های مختلف به دست امده و جدول 6 تکمیل می گردد.
جدول 7
با اعمال روشی مشابه با پیدا کردن اماکن مسکونی ، تعداد و مساحت بخش تجاری از گروه های مختلف در هر سلول پیدا شده و با ضرب کردن در چگالی مصرف هر گروه، مصرف انرژی اماکن تجاری آن سلول پیدا می شود و مجموع تمام این انرژی ها ، انرژی مورد نیاز شهر را در هر سال مورد نظر به ما می دهد.
3-5-3 پیش بینی بار روشنایی معابر
انرژی مورد نیاز خیابانها بر پایه تقسیم بندی انها به پنج دسته و تعیین استاندارد روشنایی هر یک محاسبه می شود.بار روشنایی معابر با گسترش جمعیت ، صنایع و اماکن تجاری در سطح شهر روند افزایشی خواهد داشت. برای هر نوع از خیابانها استانداردهایی وجود دارد که از جدول شماره 8 برای انجام پیش بینی بار استفاده شده است.
جدول 8: استاندارد روشنایی خیابانها و مشخصات لامپها
پس از آن نوع خیابانها هر ناحیه شهری و درصد انها در نواحی مشخص شده در شکل 1 طبق قوانین و برنامه های شهرسازی استخراج و در جدول 9 وارد گردیده اند که با داشتن چگالی انرژی مصرفی معابر در نواحی مختلف شهری و درصد خیابانهای برنامه ریزی شده در ان ناحیه ، با احتساب ضریب اشباع ، میزان انرژی مصرفی هر سلول را تعیین و با جمع این مقادیر ، میزان انرژی مورد نیاز مناطق مختلف شهری بمنظور روشنایی معابر بدست می اید. خلاصه پیش بینی بار این مصرف کننده ها در جدول 11 امده است.
جدول9:چگونگی توزیع معابر در نواحی مختلف شهر و انرژی مصرفی در هر ناحیه
3-5-4 پیش بینی بار اصلی و خدماتی
همانگونه که در مناطق مسکونی معیار مناسب برای مصرف انرژی الکتریکی درامد خانوار در نظر گرفته شد مشابه با این معیار برای مناطق صنعتی معیار ارزش افزوده صنایع در نظر گرفته می شود و ارزش افزوده صنایع در ارتباط مستقیم با مصرف انرژی الکتریکی فرض می گردد.از این رو با تبادل نظر با مراجع ذیصلاح همچون وزارت صنایع و دیگر نهادهای دولتی رشد افزوده صنایع مختلف در طول پریود پیش بینی شده و برای هر سال پیدا می شود سپس با یک امر گیری نمونه ارتباط بین kwh مصرفی و ارزش افزوده به دست می اید. واز روی ان انرژی مصرفی هر یک از واحدهای صنعتی با توجه به ارزش افزوده انها در سالهای اتی دوره پیش بینی خواهد شد.
انرژی مصرفی صنایع خدماتی نظیر تلفن،اب و فاضلاب و… را می توان با تحلیل اطلاعات جمعیت شناسی (از جمله رشد جمعیت) و اطلاعات به دست امده از دوایر دولتی ، در سالهای اتی دوره پیش بینی نمود.این پارامترهای کاربری ارضی مشابه با مناطق مسکونی و معابر کنار هم قرار گرفته و هم انرژی مصرفی صنایع خدماتی سلول به سلول و در کل شهر محاسبه می شود.
مصرف انرژی صنایع خدماتی دیگر با محاسبه و تخمین چگالی انرژی بر واحد متر مربع در هر ناحیه و اعمال روشهای کاربری ارضی پیش بینی می شود و در این امر باید به تمایل و توجه صنای فوق به جمعیت و رشد ان از روی امارهای گذشته توجه کرد. خلاصه بار مشترکین در جدول 10 امده است.
جدول 10:نتایج پیش بینی بار مناطق صنعتی
3-5-5 پیش بینی بار اماکن خاص
اماکن خاص در نواحی شهری شامل مکانهایی می شوند که جزء هیچ یک از دسته بندیهای ذکر شده نیست.(نظیر ادارات،مراکز اموزشی،مراکز بهداشتی و مساجد) برای هر یک از این اماکن باید معیاری در نظر گرفته شود تا از روی مصرف انرژی الکتریکی ان محاسبه شود سپس با اعمال کاربری ارضی و نتایج به دست امده از مرحله قبل انرژی مصرفی و از روی ان بار مورد نیاز این اماکن پیدا شود.(مثلا در ادارات "نفر/سال/kwh یا در مدارس "دانش اموز/سال/kwh" یا بیمارستانها "تخت/سال/kwh و "…… معیار مناسبی برای مصرف انرژی می باشند). در جدول 11 پیش بینی بار مناطق تجاری ، صنعتی ، روشنایی عمومی و خاص اورده شده است.
نتیجه نهایی پیش بینی بار نیز در جدول بعد امده است.در این جدول میزان انرژی الکتریکی مورد نیاز و دیماند با توجه به فرض ثابت بودن ضریب بار در طول دوره بدست امده اند همچنین از جدول قبل مشخص است که ضریب بار به صورت اشتراکی و برای هر گروه از مشترکین در نظر گرفته شده و با استفاده از انرژی الکتریکی پیش بینی شده و ضریب بار ، پیک بار مورد نیاز شهر در هر سال پیش بینی شده است.
جدول 12:نتایج پیش بینی بار مناطق مختلف شهر
3-6 نتیجه فصل
پیش بینی بار به روش کاربری ارضی چگونگی استفاده از زمینه های تحت پوشش یک ناحیه را بررسی می کند، از این رو می توان این روس را جزء روشهای مصرف نهایی نیز منظور نمود.
این روش به جمع اوری اطلاعات دقیقی از وضعیت موجود کاربری ارضی شهر و وضعیت آینده شهر نیاز داشته و با دقت مناسبی وضعیت بار اینده ناحیه مورد نیاز را ارائه می دهد.از این رو به خوبی می توان از نتایج این پیش بینی جهت طراحی شبکه توزیع الکتریکی یک شهر ، مانند محل پستها، شبکه فشار متوسط، شبکه فشار ضعیف و … استفاده نمود.
فصل چهارم
پیش بینی بار با استفاده از فیلتر کالمن
5-1 مقدمه
افزایش روز افزون مصرف برق ایجاب می نماید تا نیرو گاه های جدیدی در سیستم برق کشور نصب شده و شبکه های انتقال و سیستم های توزیع انرژی الکتریکی گسترش یابند.در این راستا بایستی برآورد بار مورد نیاز مناطق مختلف به دلیل استعداد های ذاتی خود در قدرت جذب تولید برق به طور مجزا محاسبه گردد.
صنعت برق از صنایع زیربنایی یک کشور بوده و رکنی بسیار مهم در رشد و پیشرفت جوامع امروزی محسول می شود. با توجه به اینکه از یک طرف پروژه های صنعت برق به سرمایه گذاری کلان و زمانهای طولانی نیاز دارد و از طرف دیگر نیروی برق قابل ذخیره سازی نبوده و بایستی تولید و مصرف ان همزمان صورت پذیرد. لذا به منظور استفاده بهینه از این صنعت، برنامه ریزی دراز مدت دقیق لازم است. از انجاییکه برنامه ریزی احداث تاسیسات برق در هر منطقه مستلزم اطلاعات کافی و دقیق از نیاز مصرف در ان منطقه می باشد، بنابراین اهمیت موضوع براورد قدرت و انرژی مورد نیاز در کلیه نقاط کشور برای سالهای اینده به خوبی روشن می گردد. در این فصل روش استفاده از فیلتر کالمن در پیش بینی بار ارائه می شود
5-2 پیش بینی بار
در کشورهای پیشرفته صنعتی که امار و اطلاعات قابل اعتماد در دسترس بوده و روند امور و درامدها و سرمایه گذاریها در بخشهای مختلف و رشد جمعیت و غیره تا حدود زیادی برنامه ریزی شده است ، می توان با تقریب نسبتا خوبی مصرف انرژی برق را پیش بینی نمود و بر مبنای ان برنامه ریزی کرد. در کشورهای در حال توسعه که بیشتر دارای اقتصاد تک محصولی بوده و درامد ملی انها بستگی به نوسانات قیمتهای محصولاتشان در بازارهای جهانی دارد متاسفانه پیش بینی ها اکثرا با خطای بالایی همراه است و هرقدر زمان پیش بینی ها طولانی تر باشد مقدار خطا بیشتر است.
برای مثال کشور ما نیز که از جمله این ممالک است.همیشه در هنگام پیش بینی ها دچار سردرگمی بوده است.شکل (1) به خوبی گویای این واقعیت است. منحنی A پیش بینی مصرف برق را در سال 1353 نشان می دهد. در ان سالها که قیمت نفت به صورت جهشی بالا رفت ، پیش بینی ها با گشاده دستی انجام گرفت و چند سال بعد که مسائل و موانع شناخته شد این پیش بینی ها تغییر یافته و به صورت منحنی B درامد.
شکل 1
و بالاخره در سال 1362 یک بار دیگر مورد تجدید نظر قرار گرفت و منحنی C حاصل گردید و اکنون که ان سالها را پشت سر گذارده ایم مشاهده می کنیم که مقدار مصرف واقعی که به صورت منحنی D نشان داده شده است کمتر از همه پیش بینی ها می باشد.علت این تغییرات فاحش گذشته از مسائل مختلف اجتماعی و جنگ تحمیلی و غیره تابع نوسانات و نزول قیمت نفت نیز بوده است که لازم است در مدلهائی که برای پیش بینی بار انتخاب می شود تجدید نظر نمود.
5-3 پیش بینی بار در شبکه برقهای منطقه ای و سیستم های توزیع
از انجاییکه رشد بار در مناطق مختلف از فرمولهای خاصی تبعیت نکرده و پارامترهای مختلفی از قبیل شرایط اقتصادی، جغرافیائی ، صنعتی ، فرهنگی ، سیاسی و اب و هوایی و …. در رشد بار موثر بوده و از طرفی میزان تاثیر این پارامترها از منطقه ای به منطقه دیگر متفاوت است.لذا می توان گفت که بین رشد بار و پارامترهای فوق الذکر یک ارتباط غیر خطی وجود داشته با استفاده از فرمولهای تجربی متداول نمی توان مطمئن بود که پیش بینی بار به طور دقیق صورت گیرد. از روش فیلتر کالمن به عنوان یکی از مفید ترین متد برای پیش بینی بار استفاده می شود.
5-4 تعیین مدل ریاضی جهت پیش بینی بار در یک شبکه نمونه
مدل ریاضی مورد نظر با توجه به منحنی تغییرات حداکثر بار شرکت برق منطقه ای آذربایجان در سالهای گذشته و به خصوص از سال 1360 به بعد که در شکل (2) نمایش داده شده است به صورت زیر انتخاب می نمائیم:
BK+
در مدل فوق k سال مربوط به تعیین بار را نشان می دهد که نسبت به مبدا سنجیده می شود و این مبدا اولین سالی است که در ان بررسی اماری صورت می گیرد.
میزان بار حداکثر در سال Kام است.
در مدل مورد نظر K=1 را برای سال 1360 در نظر می گیریم.
A و Bو C ضرایبی هستند که باید بر اساس امارهای موجود تعیین گردند . برای بدست اوردن ضرایب فوق از روش مینیمم نمودن مربع خطاها استفاده می شود. نحوه محاسبات به قرار زیر است:
رابطه(2)
رابطه(3)
رابطه(4)
A⇒
رابطه (5)
A⇒
شکل 2
طبق امار موجود شکل (2) حداکثر بار مصرفی شرکت برق منطقه ای اذر بایجان در سالهای 1360،1365 و 1370 به ترتیب برابر 225 و 530 و 931 مگاوات می باشد.بنابراین جدول 1 به صورت زیر می باشد:
جدول (1):تعیین ضرایب با توجه به امار موجود
با استفاده از جدول (1) و روابط 3 و 4 و5 داریم:
⇒
رابطه (6)
5-5 استفاده از فیلتر گالمن جهت تخمین بهینه حداکثر بار مصرفی
با استفاده از رابطه(6) داریم:
رابطه(7)
با فرض اینکه
مقدار واقعی بار و
مقدار اندازه گیری شده سال k ام باشد روابط زیر را
می نویسیم :
رابطه(8)
رابطه(9)
در روابط بالا
نویزهای سفید گوسی با مقدار
متوسط صفر و واریانی
و مستقل از یکدیگر فرض می شوند.
بنابراین اگر مدل سیستم مورد نظر ما به صورت زیر باشد:
رابطه(10)
رابطه(11)
جهت تخمین بهینه بار و با استفاده از فیلتر گالمن روابط زیر را بکار می بریم:
رابطه(12)
رابطه(13)
رابطه(14)
رابطه(15)
رابطه(16)
با جاگذاری مقادیر عددی خواهیم داشت:
رابطه(17)
رابطه(18)
بلوک دباگرام فیلتر گالمن در شکل(3) نشان داده شده است.
شکل 3
جدول(2) را با استفاده از آمار موجود و روابط زیر تهیه می نماییم:
در حالت پایدار داریم:
با مقایسه
با
معلوم می شود که فیلتر گالمن پس از چهار اندازه گیری به
حالت پایدار می رسد و معادله فیلتر از رابطه زیر محاسبه می شود:
جدول(2) تخمین حداکثر بار شبکه آذربایجان تا سال 1382
شکل 4
فیلتر کالمن به عنوان ابزار قوی در تخمین صحیح بار مورد نیاز مناطق مختلف به کار برده می شود که در مقایسه با سایر روشها از دقت خوبی برخوردار است. به طوری که پس از روش شبکه عصبی و منطق فازی این روش کارایی بالاتری دارد.
پایان