پيش بيني كوتاه مدت بار الكتريكي با استفاده از الگوهاي خاكستري با در نظر گرفتن پاسخ گويي بار

Short-term Electric Load Forecasting Using Grey Models By Considering Demand Response

در اين مقاله الگوهاي خاكستري بهبوديافته براي پيش‌بيني بار در حضور پاسخ‌گويي بار پيشنهاد شده است. پاسخ‌گويي‌‌ بار، يكي از ويژگي‌هاي ارزشمند شبكه‌‌هاي هوشمند است. از طرف ديگر، در صنعت برق تجديد ساختار يافته، پيش‌‌بيني كوتاه‌مدت بار براي برنامه‌‌ريزي خريد انرژي و بهره‌‌برداري بهينه از سيستم قدرت اهميت زيادي دارد. پيش‌‌بيني كوتاه‌مدت بار با در نظر گرفتن پاسخ‌‌گويي سمت تقاضا به‌‌ دليل نبود آگاهي دقيق از ميزان مشاركت مصرف‌‌كنندگان، دشوار است. روش‌‌هاي متعدد ارائه‌شده براي پيش‌‌بيني بار تا كنون توانايي چنداني در رهگيري واكنش سمت تقاضا نداشته است؛ بنابراين به روشي براي الگوسازي و پيش‌بيني كوتاه‌‌ مدت بار در حضور پاسخ‌‌گويي بار نياز است. در اين مقاله الگوهاي خاكستري كه از داده‌هاي كم و دقت زياد بهره مي‌‌گيرند، با روش‌هاي مبتني بر تكرار براي پيش‌‌بيني كوتاه‌‌ مدت بار بهبود يافته‌‌اند. اين روش‌‌ها پيش‌‌بين‌كننده‌‌هاي محلي‌اند؛ به همين دليل توانايي بهتري در الگوسازي پروفيل‌‌هاي بار با تغييرات ناگهاني از خود نشان مي‌دهند؛ مانند آنچه در هنگام پاسخ‌‌گويي بار رخ مي‌‌دهد. براي اعتبارسنجي روش‌‌هاي پيشنهادي، منحني بار ايران پس از اعمال سناريوهاي پاسخ‌‌گويي بار استفاده شده است و نتايج شبيه‌‌سازي عملكرد مطلوب و دقت زياد روش‌‌هاي پيشنهادي را نشان مي‌‌دهند.

In this paper the modified grey models are proposed for short-term load forecasting in presence of demand response. The demand response is a valuable element of the smart grids. On the other hand, short-term load forecasting is very important for energy purchase planning and optimal operating of restructured power systems. Since the consumer participation is undetermined and inherently uncertain, the load forecasting will be a difficult task in presence of demand response. Numerous methods have been proposed to the load forecasting, which they have little ability to track demand side reaction. Therefore, requirement of a high precision method to model and predict the electric load in presence of demand response is appreciable. In this paper, grey models, which utilize low number of data to high precision prediction, have been modified by an iterative strategy to short-term load forecasting in presence of demand response. Since grey models are local predictors, they show better ability in modeling and forecasting of the load profiles with the unexpected and sudden changes. After applying demand response scenarios on Iran consumption load data, they have been utilized to verify the proposed method. Simulation results show high performance and accuracy of the proposed methods.