الهندسةالهندسة الكهربائية

إطار عمل التنبؤ بالطاقة الكهربائية قصيرة المدى

تحليل إطار عمل التنبؤ بالطاقة الكهربائية قصيرة المدى

 

النمو السكاني والتقدم في التقنيات والاقتصاد الاجتماعي هو إلى حد كبير، مما أدى إلى زيادة الطلب من العقود القليلة الماضية على استهلاك الطاقة والمواد، وفي الوقت الحاضر في جميع أنحاء العالم، يتزايد مستوى استهلاك الطاقة بسبب المستوى الهائل للنمو السكاني، كما أنه زاد الطلب على الكهرباء بنسبة سبعة بالمائة كل عام، مما يوضح التحليل الإحصائي المفصل. تتطلب الزيادة في الطلب قدراً كافياً من الطاقة لتلبية الطلبات وإرضاء العميل مع الاهتمام بالصناعة.

 

كذلك تتحمل شركات المرافق مسؤولية تحسين خدماتها بشكل مستمر من خلال تسهيل خطط أفضل للحفاظ على استهلاك أفضل للطاقة الكهربائية، وفي هذا المجال توجد طرق مختلفة لتحليل وتوصيف أنماط الطاقة إحصائياً وتقليدياً للتنبؤ بالاستهلاك والطلب، بحيث يتم تصنيف تقنيات الوجود الحديثة على نطاق واسع إلى جزأين رئيسيين مثل الذكاء الاصطناعي وطرق الشبكة العصبية الالتفافية (CNN).

 

كذلك تستخدم هذه الطرق المعقدة تقنيات الانحدار والتقنيات القائمة على السلاسل الزمنية العشوائية للتنبؤ باستهلاك الطاقة، كما تُستخدم الطرق العشوائية لبيانات السلاسل الزمنية لتوسيع أنماط السلاسل في التنبؤ المستقبلي وتُستخدم هذه التقنيات على نطاق واسع في الأساليب الحالية لحل المشكلات الخطي بنتائج أفضل وفعالة، بحيث أصبحت تقنيات التعلم الآلي المختلفة (ML) مثل شجرة القرار و (Bayesian) والمجموعة والشبكات العصبية شائعة جداً مع ظهور الذكاء الاصطناعي (AI).

 

وجد الباحثين أداء الذكاء الاصطناعي والذي يتكون بشكل أساسي من ثلاثة مكونات مثل التعلم والتحقق من الصحة والاختبار، كما وقد استخدمه الباحثون في طرق مختلفة نظراً لقدرته على الالتقاط في البيانات غير الخطية، وفي مرحلة التعلم نقوم بتدريب نظام الذكاء الاصطناعي ثم التحقق من صحته لضمان أدائه في مرحلة التحقق وإنشاء الخرائط أو التنسيق بين متغيرات الإدخال والإخراج.

 

وبعد ذلك في مرحلة الاختبار، تم استخدام نموذجاً مطوراً للتنبؤ بالطاقة والطلب عليها، وفي هذا المجال التكنولوجي كان الدافع وراء بعض الباحثين هو النية نحو أساليب التعلم الآلي مثل آلة ناقلات الدعم نظراً لخلفيتهم النظرية القوية في نماذج التنبؤ التجريبية، ومن ثم؛ فإن كل نهج على سبيل المثال التقليدية وغير التقليدية (التعلم الآلي والذكاء الاصطناعي) لها مزاياها وعيوبها.

 

ومع ذلك؛ فإن الأساليب القائمة على الذكاء الاصطناعي في الوقت الحاضر هي الأكثر شيوعاً نظراً لنتائجها عالية الأداء وموثوقيتها، لذلك تم استخدام هذه الأساليب القائمة على الذكاء الاصطناعي مثل (CNN) والشبكة العصبية المتكررة (RNN) وطرق الإدراك متعدد الطبقات (MLP) وطرق التجميع على نطاق واسع في مشاكل السلاسل الزمنية والتنبؤ بالطاقة الكهربائية.

 

المنهجية المقترحة للتنبؤ بالطاقة الكهربائية قصيرة المدى

 

يتم شرح إطار العمل الرئيسي بما في ذلك مكونات ومنهجية التنبؤ بالطاقة قصير المدى المقترح باستخدام نهج التعلم العميق الجماعي في هذا القسم، بحيث يظهر التمثيل البصري متعدد المستويات للنظام في الشكل التالي (1)، كما يتطلب نظامنا المقترح بيانات استهلاك الطاقة التاريخية للتنبؤ بمتطلبات الطاقة المستقبلية واليومية والشهرية وفترات زمنية مختلفة (اعتماداً على مواصفات المستخدم).

 

كما يعد نظام التنبؤ بالطاقة الفعال والمكرر أمراً مهماً في المبنى السكني لإدارة استخدام الطاقة بشكل احترافي وتوفير طاقة إضافية للطاقة، وذلك يعد التنبؤ الدقيق للطاقة مهمة صعبة بسبب الضوضاء والمعلومات الناقصة وظروف الطقس، مما يؤدي إلى تنبؤات فاسدة، وفي البداية تقوم وحدة المعالجة المسبقة بتحسين بيانات الإدخال وإزالة الضوضاء والتحيزات وملء الفجوات المفقودة في جميع البيانات، ثم تطبيع البيانات لضمان تنبؤ النموذج.

 

وبعد ذلك؛ فإنه يتم تقسيم البيانات المكررة إلى تدريب والتحقق من الصحة واختبار أضعاف لتدريب وتقييم النظام بكفاءة، بحيث يستخلص نهج التعلم العميق للمجموعة الهجينة المقترحة إشارات مكانية عالية المستوى بواسطة طبقات (CNN) والتعامل مع السلوك المعقد غير الخطي والتبعيات طويلة المدى وأنماط التسلسل التي تم تحليلها واستخراج الميزات الزمانية المكانية عن طريق شبكات (LSTM) المكدسة وثنائية الاتجاه.

 

كذلك تحسب شبكة (Stacked LSTM) الميزات باستخدام الاستراتيجيات الأمامية وحساب شبكة (BiLSTM) وتتعلم الميزات المتسلسلة من الدفق الأمامي والعكسي للتحقق من التبعيات من كلا الجانبين ومن ثم التعرف عليها وفقاً لذلك، وبعد استخراج جميع الإشارات المكانية والزمانية المكانية متسلسلة وتدمج التفسير لتوليد مخرجات للتنبؤ بالطاقة.

 

وعلاوة على ذلك، تمر بيانات التدريب من نظام المجموعة المقترح لنمذجة متطلبات الطاقة والتنبؤ بها باستخدام شبكات (LSTM) المكدسة وثنائية الاتجاه (CNN)، بحيث تُستخدم الاستراتيجية المتحركة المستندة إلى النافذة في تعيين الميزات للتنبؤ بنشاط بالطلب الحالي والنظر في المراقبة في الوقت الفعلي، بحيث يتم تنفيذ النظام المقترح للتنبؤ وتقدير استهلاك الطاقة والطلب على المباني السكنية بالإضافة إلى النتائج التي تم الحصول عليها مقارنة بنماذج الانحدار الأساسية الحالية.

 

 

المعالجة المسبقة للبيانات الخاصة بتنبؤ الطاقة

 

تحتوي مجموعة بيانات الطاقة (UCI) المجمعة على تناقضات مختلفة، على سبيل المثال القيم المفقودة والبيانات غير الكاملة والضوضاء والصيغة الأولية بسبب القابلية للتأثر في الوقت الفعلي، بحيث تؤدي هذه الأخطاء والتناقضات في البيانات غير العملية إلى حدوث ارتباك وقد تكون مؤشراً على ضعف تحليل البيانات، ومن ثم؛ فإن خطوة المعالجة المسبقة نحو تنقية البيانات مهمة جداً لمجموعات البيانات الواقعية التي تضمن أداء وموثوقية النظام الكهربائي لاكتشاف المعرفة من بيانات العالم الحقيقي.

 

وعادةً ما تتضمن خطوة المعالجة المسبقة للبيانات خطوة “فرعية أساسية” أو مراحل لتطبيقها على البيانات الأولية للتنقيح، وهي كالتالي:

 

تنظيف البيانات: في هذه المرحلة، يقوم النظام بتنقية البيانات عن طريق ملء القيم المفقودة وإزالة الضوضاء واكتشاف القيم المتطرفة وتحديد التناقضات داخل البيانات الأولية، كما أنها تضمن مرحلة تحليل البيانات هذه أداء تنبؤ النموذج نظرًا لاستخدام البيانات الأكثر دقة.

 

تحويل البيانات: في هذه المرحلة، يستخدم النظام تقنيات مختلفة لتكامل البيانات، على سبيل المثال، وذلك يدمج ملفات متعددة في تنسيق واحد، وبالإضافة إلى قياس سمات البيانات باتباع خصائص محددة.

 

تقليل البيانات: في هذه المرحلة، يزيل النظام التكرار من البيانات ويلتقط الخصائص بالإضافة إلى توفير تمثيل مخفض للبيانات الصافية إما عن طريق تقليل السمات أو عن طريق أخذ العينات.

 

تفريغ البيانات: في هذه المرحلة، يستخدم النظام تقنية (binning) لتقليل قيم المتغير عن طريق تقسيم نطاق السمة إلى فترات زمنية، كما أنه يتبع التكتم مفهوم التسلسل الهرمي لتنقيح البيانات وجعلها مناسبة للمهمة المحددة.

 

وأخيراً تُستخدم هذه المراحل في الغالب في خطوة المعالجة المسبقة لتنقيح البيانات وتحليلها من أجل التنبؤ الفعال والدقيق، لذلك؛ فإنه يمكن استخدام المراحل الفرعية المختلفة بكفاءة اعتماداً على تنسيق البيانات والنهج ومتطلبات الإدخال للنموذج المقترح.

 

المصدر
H. K. Alfares and M. Nazeeruddin, "Electric load forecasting: Literature survey and classification of methods", Int. J. Syst. Sci., vol. 33, no. 1, pp. 23-34, Jan. 2002.J. W. Taylor, "Short-term electricity demand forecasting using double seasonal exponential smoothing", J. Oper. Res. Soc., vol. 54, no. 8, pp. 799-805, Aug. 2003.A. C. Harvey, Forecasting Structural Time Series Models and the Kalman Filter, Cambridge, U.K.:Cambridge Univ. Press, 1990.J. Kwac, J. Flora and R. Rajagopal, "Household energy consumption segmentation using hourly data", IEEE Trans. Smart Grid, vol. 5, no. 1, pp. 420-430, Jan. 2014.

مقالات ذات صلة

اترك تعليقاً

زر الذهاب إلى الأعلى