التنبؤ بالأحمال للمحولات في أعمال التدفئة الكهربائية

أهمية التنبؤ بالأحمال للمحولات في أعمال التدفئة الكهربائية

يعد التنبؤ بالحمل الكهربائي على المدى القصير (STLF) ضرورياً للحفاظ على التوازن بين العرض والطلب في نظام الطاقة، حيث أدى التطور السريع للشبكة الذكية بالإضافة إلى تحرير أسواق الكهرباء إلى أن العديد من تطبيقات الشبكة الذكية أصبحت موجهة بشكل متزايد نحو العملاء، حيث يعد التنبؤ بالحمل على مستوى محول المستخدم النهائي (EUTL) مجالاً بحثياً مهماً.

لذلك؛ فإنه يدعم العديد من التطبيقات الذكية وهو ضروري لمقدمي الخدمات الذين يديرون الأحمال والموارد المتجددة، ومع ذلك ونظراً لحالات عدم اليقين المرتبطة بالتوليد المتجدد والأحمال الكهربائية الجديدة (على سبيل المثال، تكييف الهواء وحمل التدفئة الكهربائية (EHL) ومحطات شحن السيارات الكهربائية؛ فإن ملف تعريف الحمولة أصبح الآن غير ثابت بشكل متزايد، مما يجعل (STLF) في (EUTL) صعبة.

في العقود الأخيرة، قام عدد من الباحثين بالتحقيق في (STLF)، كما تم تقديم طريقة (STLF) الموزعة لنظام الطاقة السائبة التي تغطي مناطق جغرافية واسعة، وذلك من أجل تحسين دقة (STLF)، كما تم تقسيم نظام الطاقة السائبة إلى عدة شبكات فرعية وتم التنبؤ بأحمالها باستخدام معلومات الطقس، تم تنفيذ نموذج (STLF).

وعلى أساس انحدار ناقل الدعم وتحسين المعلمات الهجينة المكون من خطوتين للتنبؤ بحمل نظام التوزيع؛ فقد تم تقديم نموذج (STLF) يأخذ في الاعتبار الهيكل الهرمي لنظام التوزيع من حيث ميزات الحمل ومن أجل تحسين دقة التنبؤ، تم اقتراح نموذج (STLF) مختلط لنظام الطاقة السائبة وتم اقتراح طريقة (STLF) هجينة ذات مرحلتين.

حيث استخدمت المرحلة الأولى نموذج التنبؤ بالحمل المتسلسل الزمني، كما تم تصحيح الخطأ المتوقع للمرحلة الأولى في المرحلة الثانية عن طريق إجراء تحليل عميق لتأثير العوامل النسبية على خطأ النموذج، وعلى الرغم من أن طرق (STLF) المذكورة أعلاه؛ فإنه قد يكون لها أداء (STLF) جيد على مستوى النظام، إلا أنه لا يمكن تطبيقها على التنبؤ بأحمال (EUTL) مباشرة.

وفي حين أن سعة التحميل في (EUTL) أصغر بكثير؛ فإن تباين الحمل أكبر بكثير مقارنة بسعة التحميل على مستوى النظام، علاوة على ذلك، لا تتوفر معلومات إضافية عن الطقس في (EUTL) بسبب تكلفة النشر الباهظة والمتطلبات التكنولوجية المتقدمة.

لذلك، تعتمد دقة نموذج (STLF) في (EUTL) بشكل أساسي على كيفية معالجة بيانات الحمل التاريخية، بحيث تظهر دائماً بيانات الحمل الخام في (EUTL) مخالفات كبيرة مثل عدم اليقين وعدم الخطية والتقلبات الكبيرة، كما تعد طريقة استخراج الميزات العميقة الفعالة أمراً بالغ الأهمية لتشكيل بنية تمثيل المعرفة للاستفادة الكاملة من المعلومات المخفية العميقة من البيانات التاريخية.

تحليل المخالفات المرتبطة بأحمال المحولات ذات التدفئة الكهربائية

عدم انتظام المحولات ذات الاختراق العالي لحمل التدفئة الكهربائية

عادةً ما يكون استهلاك الطاقة لـ (EHL) أعلى بكثير من الأجهزة المنزلية التقليدية، كما تحتوي هذه الأحمال على “وحدات تحكم” ذات حلقة مغلقة تعمل على تشغيل وإيقاف (EHL) من أجل الحفاظ على درجة الحرارة ضمن النقاط المحددة، وبالتالي يُظهر ملف الحمل للأسرة التي لديها (EHL) تقلبات عشوائية كبيرة على مدار اليوم.

كما يخدم محول المستخدم النهائي العديد من المستخدمين، لذا فإن؛ ملف تعريف الحمل الخاص به عبارة عن تجميع لملفات تعريف الاشتراكات الفردية، ونظراً للقدرة الكهربائية الصغيرة والاختراق العالي لـ (EHLs)؛ فإن العشوائية والتقلب منتشران في ملف تعريف الحمل لمحول المستخدم النهائي.

كما يوضح الشكل (1) ملف تعريف الحمل ليوم نموذجي من محولات المستخدم النهائي ذات الاختراق العالي للـ (EHLs)، كما وتشمل السمات الملحوظة اختلافًا كبيراً في قمة وادي الذروة وتغيرات كبيرة مفاجئة وتقلبات عشوائية.

كما أن هناك أيضاً ميزات مخفية أخرى مثل الاتجاه المنزلق والتباين مع التردد الكهربائي المختلف والتأثير من العوامل الخارجية الأخرى مثل سعر الكهرباء، كما يجب استخراج كل هذه الميزات من بيانات السلاسل الزمنية الأولية وتحديدها كمياً في تمثيل المعرفة الذي يمكن تعلمه بسهولة، بعد ذلك؛ فإنه يتم استخدامه كعينة تدريب المدخلات المحددة لعملية التعلم العميق من أجل ضمان تدريب نموذج (SAE-ELM) جيداً مع المعرفة الكافية.

مؤشرات استخراج الميزة المتخصصة الجديدة

عادةً ما يتم تقديم مجموعة من مؤشرات استخراج الميزات المتخصصة الجديدة لاستخراج وتحديد الميزات من البيانات الخام.

الاتجاه المنزلق (SlT)

باعتبار (P) تشير إلى متجه القدرة التفاعلية التي يستهلكها الحمل كما هو موضح في المعادلة (1)، كما وتشير (t) إلى الفاصل الزمني الحالي، بحيث يمثل (SlT) متوسط الاتجاه المنزلق خلال فترة زمنية محددة، وهي تعتبر كلاً من الحالة الراهنة والحالة السابقة (m)، بحيث تكون (m) هي طول النافذة، لذلك؛ فإنه يتم تعريفه بواسطة نموذج المتوسط المنزلق الموضح في المعادلة (2).

حيث:

[SlT (t)]: هو مؤشر الاتجاه المنزلق.

(m): هو طول نافذة الاتجاه المنزلق.

(r): هو عدد الفترات الزمنية في اليوم.

[pl (t)]: هي القوة النشطة للحمل.

معدل التقلب (FoR)

يتم تعريف (FlooR) لالتقاط اتجاه التقلب والعلاقة بين التذبذب و (SlT).

درجة التغيير (GoC)

ينقسم تقلب الحمل إلى (5) درجات مع تحديد (GoC) لدرجة التغيير

حيث:

[GoC (t)]: هو مؤشر (GoC) في الوقت (t).

(g 1): هي الحد الفاصل بين الدرجتين (1) و (2).

(g − 0): هي الحد الفاصل بين الدرجتين (2) و (3).

(g¯ + 0): هي الحد الفاصل بين الدرجتين (3) و (4).

(g + 1): هي الحد الفاصل بين الدرجتين (4) و (5).

كما وتشير الدرجة (3) إلى أن التقلبات صغيرة ويشير الصفان (2) و (4) إلى تقلب أكبر، ويمثل الصفان (1) و (5) أعلى تقلب.

وفي هذا الطرح؛ فقد تم اقتراح نموذج (STLF) في (EUTL) مع اختراق عالي لـ (EHLs)، وذلك بناءً على مجموعة مؤشرات ميزات متخصصة جديدة وإطار عمل التعلم العميق (SAE-ELM)، ونظراً لرحلات الطاقة الكبيرة والعشوائية الكبيرة لـ (EHLs)، بحث تعرض سلسلة وقت التحميل الأولي في (EUTL) مجموعة متنوعة من المخالفات، مثل عدم اليقين وعدم الخطية والتقلب الكبير.

لذلك، تم اقتراح مجموعة جديدة من مؤشرات الميزات المتخصصة لتحليل واستخراج الميزات المتنوعة العميقة لسلسلة وقت التحميل الخام لبناء مجموعة عينات التدريب، حيث ثبت أن مجموعة مؤشرات الميزات المتخصصة الجديدة مفيدة في تحسين عملية التعلم العميق والقدرة والحساسية في التعامل مع التقلبات.

وباستخدام (SAE-ELM)؛ فإنه يتم تعلم الميزات غير الخطية العميقة تلقائياً، وذلك دون الحاجة إلى تحويل المعلمات التكرارية والتحويل الدقيق، مما يجعل عملية التعلم أسرع بكثير من أساليب (LSTM) و (BPNN) و (MAM)، وعلى الرغم من أن التعلم العميق هو إطار عمل واعد للتنبؤ بالطلب، إلا أنه يفتقر إلى القدرة القوية في استخراج الميزات العميقة من السلاسل الزمنية شديدة التقلب.