اولويت بندي روزهاي مشابه جهت پيش بيني بار كوتاه مدت شبكه ايران با درنظرگيري دما و بخش بندي سيستم قدرت

Priority Index for Selection of Similar Days in Short Term Load Forecasting Method Considering Temperature and Partitioning

امروزه پيش ­بيني بار كوتاه‌مدت، يكي از مسايل بسيار مهم در برنامه ­ريزي سيستم­هاي انرژي بشمار مي ­رود. بهبود دقت در پيش ­بيني بار موجب كاهش هزينه ­هاي ناشي از خطا در پيش­ بيني و بهينه كردن عملكرد سيستم قدرت مي­شود. تا كنون روش­هاي متفاوتي جهت پيش ­بيني بار كوتاه مدت ارائه شده است اما در بين تمامي روش­ها، روش روزهاي مشابه داراي حجم و زمان محاسباتي بسيار اندكي است. در نتيجه بهبود دقت اين روش در پيش ­بيني بار مي­تواند بسيار حائز اهميت باشد. در اين مقاله با ارائه شاخصي جهت اولويت­ بندي انتخاب روزهاي مشابه در پيش­ بيني بار، دقت اين روش بهبود داده شده است. در اين شاخص، دما و فاصله زماني روز مشابه با روز هدف، بطور همزمان درنظر گرفته شده است. از طرف ديگر با پيشنهاد بخش­بندي كل سيستم قدرت، تاثير دما در اين روش بطور موثرتري اعمال خواهد شد. روش ارايه شده بر روي شبكه قدرت ايران پياده ­سازي شده و نسبت به روش كلاسيك روزهاي مشابه، باعث كاهش ميانگين خطاي ساليانه از %1.08 به %1.01 مي ­شود. اين روش علاوه بر كاهش 7% از ميزان خطا، باعث مي­شود تعداد روزهاي با خطاي پيش­بيني بيش از حد مجاز، كاهش يابد و در نتيجه قابليت اطمينان پيش­بيني بار افزايش پيدا ­كند.

Short term load forecasting (STLF) is one of the important issues in the energy management of power systems. Increasing the accuracy of STLF results leads to improving the energy system scheduling and decreasing the operating costs. Different methods have been proposed and applied in the STLF problem such as neural network, fuzzy system, regression-based and neuro-fuzzy methods. This paper investigates the knowledge-based method because of its less computation time and memory compared with other methods. The accuracy of knowledge-based STLF method is improved by proposing a novel priority index for selection of similar days. In this index, temperature similarity and date proximity are simultaneously considered. In order to consider the effect of temperature in STLF more efficiently, the system is partitioned into the smaller regions and the STLF of the whole system is calculated by gathering the STLF of all regions. The proposed method is implemented on a sample real data, Iran’s national power network, to show the advantages of the proposed method compared with Bayesian neural network and locally linear neuro-fuzzy methods in aspects of accuracy and computation time. It is shown that the proposed method decreases yearly mean absolute percentage error (MAPE), and generates more reliable load forecasting.