التنبؤ بالحمل الكهربائي القائم على معطيات الأرصاد الجوية

أهمية التنبؤ بالحمل الكهربائي القائم على معطيات الأرصاد الجوية

تستخدم الكهرباء كمصدر رئيسي للطاقة التي يتم إنتاجها من “وحدات توليد الكهرباء”، كذلك قد تستخدم هذه الوحدات المياه أو “المنتجات البترولية” (النفط والغاز الطبيعي وما إلى ذلك) أو الطاقة النووية أو الرياح كوقود لتوليد الكهرباء، وهي من القضايا الرئيسية المتعلقة “بتوليد الكهرباء” تخزينها على نطاقات كبيرة، كما والمستخدمون النهائيون كونهم أحد أصحاب المصلحة الرئيسيين، يطالبون بحد أدنى من تكلفة الوحدة.

لذلك تخضع تكلفة الوحدة للكهرباء بشكل أساسي إلى عاملين، وهما نوع الوقود المستخدم وإنتاج الكهرباء حسب متطلبات منطقة معينة، بحيث يتسبب كل من فائض الإنتاج وقلة إنتاج الكهرباء في خسارة مالية لشركات توليد الكهرباء وتوزيعها (EGDCs)، لذلك تحاول شركات تنمية الصادرات استخدام وحدات الإنتاج الأقل تكلفة لإنتاج الكهرباء حسب الطلب لفترة زمنية محددة لتعظيم الفوائد الاقتصادية.

لذلك يلعب التنبؤ الآلي والدقيق بأحمال الكهرباء (AELF) دوراً حيوياً في وضع سياسات لإدارة الأحمال الملائمة وجدولة وحدات “توليد الكهرباء” والتنبؤ بالاتجاهات المستقبلية وتقييم العقود وتعديل التعرفة وضمان إمداد غير منقطع للطاقة للمستهلكين، وهي أكثر دقة من (AELF)، بحيث يكون مفيداً مالياً لـ (EGDCs)، كما تؤدي هذه العوامل إلى إجراء بحث للتنبؤ الدقيق “بأحمال الكهرباء” بحيث تتجنب (EGDCs) توليد الطاقة غير الضروري لمنع الزيادة في تكلفة الوحدة وخدمة المستهلكين بتكلفة منخفضة وإمدادات طاقة غير منقطعة.

وخلال العقود القليلة الماضية، تم إجراء العديد من الدراسات البحثية لنماذج (AELF) مما يشير إلى أن كلا من التوقعات المتدنية أو الزائدة تؤثر بشكل كبير على ربحية (EGDCs) والعديد من العوامل مثل درجة حرارة الهواء ونقطة الندى والرياح والرطوبة النسبية والإجازات وساعات العمل والمواسم هي عوامل حاسمة وتؤثر في الغالب على الطلب في استهلاك الكهرباء.

كما أنه يمكن تسمية هذه العوامل مجتمعة كعوامل حاسمة تؤثر على الطلب على حمل الكهرباء، بحيث يعد الفهم الشامل لهذه العوامل ضرورياً لتطوير نماذج دقيقة للتنبؤ بالحمل، بحيث تسبب هذه العوامل انحرافات عن منحنيات الحمل النموذجية، وبالتالي تجعل (AELF) مهمة صعبة للغاية.

وبصرف النظر عن النهج المستخدم (قصير أو متوسط أو طويل الأجل)، تعتبر معلمات الأرصاد الجوية مهمة في (AELF)، كما تعتبر درجة الحرارة والرطوبة النسبية والرؤية والغطاء السحابي وسقوط المطر وهطول الأمطار ونقطة الندى وسرعة الرياح وبرودة الرياح متغيرات شائعة الاستخدام (إما بشكل فردي أو مجتمعة) في تقنيات مختلفة.

مجموعات البيانات الخاصة بالتنبؤ بالحمل الكهربائي

استخدمت دراسات عديدة من الماضي القريب بيانات السلاسل الزمنية من سنة إلى ثلاث سنوات لبناء نماذج التنبؤ بأحمال الطاقة الكهربائية، على سبيل المثال استخدم الباحثين مجموعات بيانات من ثمانية عشر شهراً إلى عامين لتطوير نماذج التنبؤ، كما تم استخدام بيانات سنة واحدة، بينما تم استخدام بيانات ثلاث سنوات.

كما تم استخدام بيانات متسلسلة زمنية لاستهلاك الكهرباء في الساعة لمدينة “مظفر أباد” بالكيلوواط في الساعة (KWh)، وذلك عبر الفترة الزمنية من (1) يناير (2014) إلى (31) ديسمبر (2015) (سنتان)، كما تم تسجيل بيانات الطلب على الكهرباء من قبل هيئة تنمية المياه والطاقة (WAPDA) المسؤولة عن إنتاج وتوريد الكهرباء في جميع أنحاء البلاد، بحيث تم الحصول على البيانات من محطة فرعية محلية في مدينة مظفر أباد.

أيضاً تم الحصول على بيانات السلاسل الزمنية للأرصاد الجوية من محطة فرعية محلية للأرصاد الجوية تابعة لإدارة الأرصاد الجوية الباكستانية (PMD) في مظفر أباد، بحيث يتم جمع بيانات الأرصاد الجوية لنفس الفترة كما كانت لبيانات استهلاك الكهرباء لتطوير العلاقة خلال الفترة المقابلة، أي من (1 يناير 2014 إلى 31 ديسمبر 2015).

المنهجية القائمة على المعالجة المسبقة للبيانات

يناقش هذا القسم خطوة المعالجة المسبقة للبيانات والطرق المعتمدة لتحديد الارتباط بين الحمل الكهربائي ومعطيات الأرصاد الجوية، وبعد ذلك يتم تقديم خوارزميات التعلم الآلي المستخدمة لبناء نماذج التنبؤ في الدراسة الحالية، كما يتم تفصيل مقاييس تقييم الأداء وحساب الأهمية الاقتصادية لنماذج التنبؤ في نهاية هذا السرد.

المعالجة المسبقة للبيانات

بقيت منطقة الدراسة (باكستان) تكافح ضد أزمة طاقة حادة منذ عقود، مثل مدينة مظفر أباد التي تسببت في تظليل الأحمال وانقطاع التيار الكهربائي المفاجئ، مما أدى إلى فقدان القيم في سلسلة وقت التحميل، بحيث يتم استيفاء هذه القيم المفقودة، وذلك بدلاً من التخلص منها للحصول على سلوك في الوقت الفعلي. يتم استخدام وسيلة “طريقة النقاط المجاورة” لهذا الغرض وفقاً لمعيار المثال التالي:

حيث أن:

(x1 ، x2): قيمتان سابقتان.

(x3 ، x4): قيمتان بجوار القيمة المفقودة (x ′).

كما ساعدت المعالجة المسبقة في إزالة المخالفات وتسهيل سلسلة وقت التحميل، وذلك بمجرد معالجة البيانات مسبقاً، بحيث يتم تقسيمها إلى فئات مختلفة مثل متوسط القيمة اليومية والحد الأقصى للقيمة اليومية وبيانات الساعة لكل ساعة لكل متغير ومتوسط كل ساعة والبيانات الموسمية.

علاقة حمولة الطقس

كما يتم تحديد تأثيرات “متغيرات الطقس” على طلب الحمل الكهربائي من خلال مخططات التبعثر وتحليل الارتباط باستخدام “خط اتجاه الانحدار الخطي”، وإحصائياً يتم إعطاء الترابط بين متغيرين من خلال المعادلة التالية:

حيث أن:

(y): هو المتغير التابع.

(x): تشير إلى المتغير المستقل.

(a ، b): تمثل معاملات الانحدار.

في الإحصاء يتم استخدام تحليل الارتباط لقياس قوة العلاقة بين متغيرين، كما أن الطريقة الأكثر انتشاراً والأكثر استخداماً لهذا الغرض هي تحليل الارتباط من “بيرسون”، بحيث استخدمت العديد من الدراسات تحليل ارتباط بيرسون لتحديد العلاقة بين الحمل الكهربائي ومعطيات الأرصاد الجوية، وفي هذه الدراسة؛ فإنه تم استخدام ارتباط بيرسون و”تحليل ارتباط سبيرمان” (طريقة تحليل الارتباط القائمة على الرتبة غير الخطية الشائعة).

كما أن وظيفة (nlcor) للغة (R)، وذلك لاستقصاء العلاقة بين معلمات الأرصاد الجوية والطلب على الحمل الكهربائي، بحيث تشير المستويات الأعلى من تقديرات الارتباط لتحليل الارتباط غير الخطي (القيم القريبة من 1) إلى أن المتغيرات المشاركة في التحليل غير مترابطة خطياً والقيم الأدنى (بالقرب من 0) تظهر علاقة خطية.

كذلك تظهر نتائج جميع تحليلات الارتباط الثلاثة هذه أن هناك علاقة خطية بين معلمات الأرصاد الجوية ومتغير الحمل الكهربائي لمجموعة البيانات المتاحة المستخدمة في هذه الدراسة، حيث أن معامل الارتباط لبيرسون (r) هو مؤشر يحدد الكمي إلى أي مدى ترتبط المتغيرات المعطاة خطياً، بحيث يمكن أن تتراوح قيمتها من (+1) إلى (-1) وتعطى بالمعادلة التالية:

التعلم الآلي للتنبؤ بالحمل الكهربائي

يتم تضمين العديد من الآليات الهامة في توليد الطاقة مثل قرارات السياسة والإدارة والتخطيط وعمليات الطاقة الموثوقة وتلبية المتطلبات المستقبلية وتقييم العقود والصيانة، بحيث تتطلب هذه الآليات معلومات مسبقة عن متطلبات حمل الكهرباء في المستقبل.

كما تم استخدام العديد من طرق التعلم الآلي لمساعدة (EGDCs) في تقدير هذه الآليات من خلال (AELF)، بحيث توفر هذه الطرق معلومات مفيدة حول اتجاهات طلب الحمل المستقبلية من خلال تحليل البيانات السابقة والعوامل المؤثرة، كذلك يمكن لـ (EGDCs) اتخاذ قرارات ذكية فيما يتعلق بتوليد الطاقة وتوزيعها بناءً على المعلومات التي توفرها طرق التعلم الآلي.