مقارنة أداء خوارزميات التحكم الآلي للتنبؤ بالحمل الكهربائي

أهمية مقارنة أداء خوارزميات التحكم الآلي للتنبؤ بالحمل الكهربائي

يمكن للزيادة الهائلة في الاقتصاد العالمي والسكان، وإلى جانب التطور السريع في التحضر أن تعزز الحاجة إلى استخدام الطاقة في السنوات المقبلة، كما أنه يمكن توليد الكهرباء وهي مصدر حيوي للطاقة من مصادر مختلفة، بما في ذلك المياه والرياح والخلايا الشمسية والوقود الأحفوري والمفاعلات الحرارية والنووية، وعلاوة على ذلك، مع نمو السكان وتطورهم، يرتفع الطلب على الكهرباء، مما يدفع إلى زيادة إنتاج الطاقة.

كم أن الاهتمامات الأساسية في إدارة الطاقة (EM) هي توليد الكهرباء ونقلها وتوزيعها، حيث أن الشبكة الكهربائية (EG) هي شبكة مترابطة معروفة تربط العملاء بمزودي الطاقة وتنقل الطاقة من المنتج إلى المستهلك، كما وتتكون من محطات توليد الكهرباء ومحطات فرعية تنظم الجهد الكهربائي على أساس الاستخدام وخطوط النقل (ناقلة الكهرباء) وخطوط التوزيع التي تربط العملاء.

وكما هو موضح أعلاه، تستخدم (EGs) الكلاسيكية شبكة مركزية بآلاف الوحدات، بحيث يقدم تحسين الحمل الكهربائي (EG) إمكانية توليد النفقات العامة، مما يؤدي إلى مشاكل في جودة الطاقة، ونتيجة لذلك يصبح تركيب مصانع جديدة ضرورياً، ومن ناحية أخرى تفتقر هذه الشبكات إلى نظام تنبؤ موثوق به للتنبؤ بفشل الطاقة المتقطع وأسبابها وزمن استجابة التفاعل ومساحة الذاكرة واستخدام الموارد المُتاحة.

وفيما بعد قرر العلماء أن نظام الطاقة الكهربائية الحالي (PS) ظل دون تغيير لعدة عقود، وذلك مع النمو السكاني، حيث أن هناك طلب هائل على الكهرباء، كما تشمل أوجه القصور في (PS) التقليدي نقص الرؤية والمفاتيح الميكانيكية مما يؤدي إلى وقت استجابة أبطأ ونقص المراقبة والتحكم في الطاقة، وبالإضافة الى التحولات في الظروف المناخية وفشل المكونات والطلب على الطاقة والنمو السكاني والطلب على الوقود الأحفوري وانخفاض إنتاج الطاقة الكهربائية.

وبصرف النظر عن دقة التنبؤ أو استقرار التنبؤ أو قدرة نموذج التنبؤ على الحفاظ على درجة ثابتة من دقة التنبؤ؛ فإنه يعد أمراً بالغ الأهمية أيضاً لنموذج التنبؤ لضمان التشغيل الآمن لنظام الطاقة، ومع ذلك كثيراً ما يتم تجاهل التنبؤ بالاستقرار بناءً على نماذج التنبؤ المقترحة مسبقاً، كما يمكن استخدام الذكاء الاصطناعي ومجموعة خوارزميات (ML)  للتنبؤ بالأخطاء في (SG)، والتي تساعد في تنفيذ الإجراءات الاحترازية.

الدراسات المرتبطة بخوارزميات التحكم بالحمل الكهربائي

يحتوي هذا القسم على نظرة عامة على حلول البحث المختلفة والمنهجية والنتائج والقيود المفروضة على الأعمال الموجودة على (SGs)، بحيث سيكون (SG)، وهو الذي سيحل محل شبكة الطاقة النهائية، كما قادراً على الاتصال ثنائي الاتجاه، ولتوزيع الكهرباء المنقولة من مصادر مختلفة؛ فإنه يتم استخدام نظام معقد بمساعدة المركبات الكهربائية.

ونظراً لأنه ينظم ميزاته لتحقيق أقصى قدر من الأداء؛ فإن هذا يضيف عبءاً جديداً إلى نمذجة (SG)، ونتيجة لذلك يجب مراقبة الاستقرار والمتانة والكفاءة والاعتمادية بشكل متكرر في ظل ظروف تشغيل مختلفة، كذلك استخدم الباحثون أساليب (ML) مثل (LR ، KNN ، SVM ، ANN) والطرق العشوائية (RF) وانحدار التلال (RR) وتعزيز التدرج (GB) وانحدار الأشجار الإضافي (ETR) ونسب التدرج العشوائي (SGD) وتعزيز التدرج (GB) لتقييم الحمل في (SG).

كما تنتقل (SGs) إلى خدمات إمداد الطاقة المستندة إلى الطلب للعملاء، ونتيجة لذلك؛ فإن التنبؤ بحمل المستهلك أمر إلزامي، بحيث يتم بذل جهد لتقليص ما إذا كان إطار التنبؤ بالحمل قصير الأجل (STLF) أو البيانات الأنثروبولوجية الهيكلية تتنبأ بدقة بالحمل المنزلي للمستهلك الفردي، كما تم تطوير إطار عمل (STLF) بناءً على البيانات الهيكلية الأنثروبولوجية من المستهلكين المقيمين لتحديد إطار العمل الأمثل للحمل الفردي.

لذلك يمكن للنموذج المبتكر توقع الأحمال المنحرفة باستخدام مثيل معين في سلسلة زمنية مختلفة، كما استخدم الباحثون التكاثر العكسي (BP) و (NN) و (SVM) للتنبؤ بإطار عمل (STLF) المقترح، ووفقاً للنتائج يعد (STLF) المصمم أكثر دقة بنسبة (7٪) من (SLTF)، كما ويقلل من عدم الدقة بنسبة (60٪)، بحيث أكدت الدراسة على تعزيز نموذج (SLTF) من خلال استخدام صحة البيانات الأنثروبولوجية الهيكلية، كذلك تم استخدام بيانات الأسرة الأسبوع المقبل لمعرفة (ANN) للتنبؤ باستهلاك الطاقة كل ساعة لليوم التالي.

المنهجية المقترحة للتنبؤ بالأحمال الكهربائية

يتكون النظام المصمم من أربعة مكونات رئيسية، وذلك كما هو موضح في الشكل التالي (2)، كما يحتوي القسم الأول على مجموعات البيانات، والتي تتكون من أربع سنوات من مجموعات بيانات (NYISO) المتاحة للجمهور (2017-2020)، كذلك المعالجة المسبقة هي المرحلة الثانية، حيث نحاول تنظيف البيانات.

يلي ذلك التصفية المسبقة أمر بالغ الأهمية لتحسين جودة البيانات وأهمية خوارزميات (ML)، وكلاهما يمكن أن يساعد في التنبؤ الناجح، حيث أن المكون الثالث يتميز بالهندسة التي تعمل على تحسين دقة التصنيف وتقليل أبعاد البيانات لتجنب التعقيد وتسريع وقت المعالجة، كما يتم استخدام طريقتين من (ML) لهندسة الميزات في النظام المقترح.

كما تحدد (DTC) أهمية الخصائص أولاً، ثم يتم استخدام (RFE) لإزالة الميزات ذات الأهمية المنخفضة من مجموعات البيانات، بحيث يتم الاحتفاظ بالمكونات الحيوية، والتي يمكن أن تساعد بدقة، وقبل إدخالها إلى المصنفات، يتم فصل البيانات إلى مجموعات تدريب واختبار بنسبة (3: 1)، كما يتم استخدام الأشهر التسعة الأولى من البيانات من كل عام كمجموعة تدريب، وذلك مع استخدام الأشهر الثلاثة المتبقية كمجموعة اختبار.

وصف مجموعة البيانات: تستخدم بايثون لإجراء التجارب، بحيث يتم استخدام أربع سنوات من بيانات (NYISO)، كما تحتوي البيانات على ستة عشر ميزة و (1095) حالة، بالإضافة إلى بيانات تحميل النظام لكل يوم ومجموعة متنوعة من المعلمات الإضافية، بحيث تستخرج الخصائص الأساسية في المرحلة الأولى لأن جميع الجوانب غير متوافقة.

إعداد البيانات والمعالجة المسبقة: تعتبر المعالجة المسبقة أمراً بالغ الأهمية لزيادة جودة البيانات بالإضافة إلى فعالية خوارزميات (ML) ، كذلك التطبيع وتحويل البيانات هما استراتيجيتان نموذجيتان للمعالجة المسبقة المستخدمة في أي نموذج (ML)، كما يتم توزيع المتغيرات في مجموعة تواريخ (SG) عبر عدة نطاقات، مما يؤدي عادةً إلى تحيز لصالح القيم ذات الأوزان الأعلى، مما يقلل من فعالية إطار العمل المبتكر.

هندسة الخصائص: في مجموعة بيانات [AEMO (NWS)]، يتم استخدام (FE) المستند إلى (DTC)، وذلك لتحديد السمات الأساسية وتقليل القيم المتطرفة، كما تعتبر أنماط السمات نواقل، بحيث تحتوي قيم الميزة في هذه المتجهات على طوابع زمنية منفصلة، بحيث تعتبر ميزات (EL) كطلب حمل وقد تتم إزالة الميزات التي لها تأثير طفيف على توقع (EL).

مقاييس الأداء: هناك أربعة مقاييس إحصائية لتقييم دقة المصنف، وهي (RMS ، MSE ، MAPE ،MAE MSE ، MAE) لهما وظائف مضمنة و (RMS و MAPE) لهما أدوار محددة، بحيث تراعي الدراسة أيضاً جوانب الأداء، بما في ذلك الاسترجاع ودرجة (F1) والدقة لتقييم خوارزميات (ML)، وفي معظم الأبحاث المتأخرة يمكن استخدام (70٪) من مجموعة بيانات (SG) للتدريب، بينما يمكن استخدام (30٪) للتحقق.