پيش‌بيني بار الكتريكي نيروگاهي براساس تغييرات جوي به‌وسيله مدل تركيبيSOM-RBF

Electrical load forecasting based on climate changes using hybrid model SOM-RBF

پيش‌بيني بار الكتريكي يكي از فرآيندها و نيازهاي اساسي در بهره‌برداري نيروگاهي مي‌باشد كه به مطالعه تغييرات و روند نوسانات بار الكتريكي در فرايند توليد برق مي‌پردازد. سيستم‌هاي نيروگاهي جزء سيستم‌هاي به‌شدت غيرخطي محسوب مي‌شوند و تخمين بار الكتريكي براي آن‌ها به دليل وجود برخي عوامل اثرگذار نظير متغيرهاي جوي بسيار پيچيده مي‌باشد. همچنين وجود برخي از متغيرهايي كه نوسانات بسيار زياد دارند باعث دشوار شدن پيش‌بيني بار الكتريكي مي‌شود. در اين پژوهش با استفاده از ابزارهاي هوش مصنوعي و با تركيب دو شبكه عصبي معروف SOM و RBF پيش‌بيني بار الكتريكي انجام پذيرفته است.مسئله پيش‌بيني بار الكتريكي به دو قسمت تقسيم‌شده است كه در بخش اول خوشه‌بندي متغيرهاي داراي نوسان زياد انجام‌شده است و در بخش دوم پيش‌بيني بار الكتريكي با دقت بالا انجام شده است. نتايج حاصل از اين مدل و مقايسه با ساير روش ها نشان مي دهد كه اين مدل با داشتن يك رويكرد نو و تركيبي توانايي بسيار بالايي در پيش بيني بار الكتريكي با دقت قابل‌قبول دارد.

Electrical load forecasting is one of the essential processes in power plant operation. Load forecasting studies the changes and process of electrical load fluctuations in power generation process. Power plant systems are considered extremely nonlinear systems and the estimation of electrical load for them is very complicated due to the presence of some effective factors such as atmospheric variables. In addition, some variables with very high noise make it difficult to forecast the electric load. In this study, using artificial intelligence tools and by combining SOM and RBF neural network has been done load forecasting. Load forecasting is divided into two parts. In the first section, clustering of variables with high noise is performed and in the second part the electrical load with high accuracy are forecasted. The results of this model and comparison with other methods show that this model with a new and combined approach has a very high ability to forecast electric load with acceptable accuracy.