الهندسةالهندسة الكهربائية

نماذج التنبؤ بالحمل الكهربائي لمختلف طرق التوليد

تمت تحريره بواسطة: - اخر تحديث : ١٤:٥٩:٢٨ ، ١٢ نوفمبر ٢٠٢٢ - مشاهدات : ١١١

اقرأ في هذا المقال

تعتمد الإدارة الذكية للطاقة في المرافق الكهربائية على الأهمية العالية لنماذج التنبؤ بالحمل، ونظراً لأن الصناعات رقمية؛ فإنه يتم دعم توليد الطاقة من خلال مجموعة متنوعة من الموارد، لذلك تختلف دقة التنبؤ بالنماذج المختلفة، كما تواجه مرافق الطاقة ذات أساليب التوليد المختلفة (DGM) تعقيدات وقدراً ملحوظاً من الخطأ في التنبؤ باستهلاك الكهرباء في المستقبل.

تحليل نماذج التنبؤ بالحمل الكهربائي لمختلف طرق التوليد

إن الإمداد المستمر والمستقر للطاقة هو المطلب الأساسي لنظام توليد القدرة الكهربائية، بحيث تولد هذه الأنظمة ضرورة تلبية الطلب على الأحمال الكهربائية، ومن خلال تحليل التاريخ والسلوك وحتى الاتجاه والعوامل التي تؤثر على الحمل والتنبؤ بالطلب المستقبلي للحمل، والذي يطلق عليه التنبؤ بالحمل (LF)، كما يعتبر تحديد فجوات العرض والطلب لتوليد الطاقة الكهربائية أمراً بالغ الأهمية.

كذلك يوفر فوائد للإدارة لفهم المتغيرات المختلفة التي تؤثر على استهلاك الطاقة والزيادة والنفايات، كما أنه مهم أيضاً للتحكم في الطاقة وتبادلها في أنظمة الطاقة المترابطة المختلفة، وذلك نظراً لأنه يلعب دوراً أساسياً في التغلب على التباين والمخاوف المتعلقة بالطلب على الطاقة الكهربائية.

كما أدت التطورات الأخيرة في النظام الكهربائي من خلال دمج العديد من موارد الطاقة (بما في ذلك مصادر الطاقة المتجددة) لتوليد الكهرباء إلى جعل التنبؤ بالحمل أكثر تعقيداً، بحيث أدى هذا التكامل الكبير للطاقة المتجددة (الطاقة الشمسية، طاقة الرياح والحرارية وما إلى ذلك) إلى تطوير ظاهرة التنبؤ بالحمل نحو مرحلة أكثر صعوبة.

لذلك لقد خلق بيئة صعبة لمحترفي الطاقة لتفسير توليد الكهرباء وتزويدها وحفظها وإدارة الطلب على الطاقة حدوث هذا التعقيد يرجع إلى سلوك الحمل غير الخطي وغير الثابت، لذلك؛ فإنه ينطوي على تحليل مفصل والنظر في العديد من العوامل التي تؤثر على إجراء التنبؤ، وذلك بشكل مباشر أو غير مباشر، إلى جانب فوائد تقنيات التنبؤ، بحيث لا تزال تحديات دقة التنبؤ قائمة.

تأثير التغير في أنماط الحمل الكهربائي على طبيعة التوليد

نظراً للتغير السريع في أنماط استهلاك الحمل الكهربائي؛ فإنه من المهم بالنسبة لنماذج التنبؤ أن تتعلم وتفسر استهلاك الحمل من البيانات التاريخية المتعلقة بتغييرات البيانات فيما يتعلق بالعوامل المرتبطة، بحيث يساعد في إعداد البيانات لاستمرار التدريب وتحديد الخطأ حول التغييرات المطلوبة والتنبؤ بالتحقق في النموذج.

ومع ذلك؛ فإن التحقق من صحة النموذج للعديد من التطبيقات يعتمد على الظروف أو القيود المحددة أثناء تطوير النموذج، وللتحقق من صحة البيانات العديد من الأهداف التي تشمل على سبيل المثال لا الحصر فقدان البيانات والبيانات الخاطئة والبيانات التي بها أخطاء وعدد أكبر من الحالات الشاذة، لذلك تعتمد النماذج الحالية فقط على الاستبدال أو التعديلات من حالة إلى حالة بسبب واحد أو أكثر من العوامل المحددة أعلاه.

أنواع التنبؤ بالحمل الكهربائي على صعيد الفئات والمجال الزمني

تم توزيع التنبؤ بالحمل الكهربائي في أربع فئات، بحيث تتعلق بالمجال الزمني للتنبؤ، كما أن التنبؤ بالحمل على المدى الطويل (LTLF) والتنبؤ بالحمل على المدى المتوسط (MTLF) والتنبؤ بالأحمال على المدى القصير (STLF) والتنبؤ بالأحمال على المدى القصير جداً (VSTLF)، وذلك كما هو موضح في الشكل التالي (1) مع الطابع الزمني توزيع.

كذلك تم استخدام العديد من طرق التنبؤ لهذه المجالات الزمنية، بما في ذلك نظام خبير قاعدة المعرفة وبعض التقنيات الإحصائية وتقنيات الذكاء الاصطناعي (AI) بالإضافة الى ذلك نماذج التعلم الآلي والتقنيات الهجينة ونماذج التعلم العميق.

azeem1-3120731-large

كذلك يتم تقديم نظرة عامة موجزة عن الأنواع المختلفة للتنبؤ بالأحمال في هذا القسم، وفي وقت لاحق نقدم مراجعة مفصلة للأدبيات حول أساليب (STLF) الحالية، والتي يمكن اعتبارها للتكيف بشكل أكبر في التنبؤ بالأحمال لطرائق التوليد المختلفة.

التنبؤ بالحمل الكهربائي على المدى الطويل

يستهدف (LTLF) أفق التنبؤ بالطلب على الكهرباء لأكثر من عام واحد، بما في ذلك تخطيط الطلب على العديد من أنظمة الطاقة، بحيث يوفر فهماً للنظام ومدى ملاءمته لعمليات موثوقة لإمدادات الطاقة وتلبية المتطلبات المستقبلية، كذلك يمكن التنبؤ بشكل كافٍ بتعديلات البنية التحتية لنظام الطاقة والترقيات التي تقوم بها مرافق الطاقة بمساعدة (LTLF).

كما أن لها تأثيرات كبيرة على موثوقية الشبكة المستقبلية ورضا العملاء والاستثمارات وشركات المرافق، بحيث تتضمن العديد من تقنيات التنبؤ المستخدمة في (LTLF) والانحدار الخطي المتعدد (MLR) لمراقبة العلاقة بين الحمل والمتغيرات الخارجية باستخدام نهج إعلامي كل ساعة لتحسين النمذجة التنبؤية وإجراء تحليل على سيناريوهات مختلفة وتطبيع بيانات الطقس.

التنبؤ بالحمل الكهربائي على المدى المتوسط

يتعامل (MTLF) في آفاق زمنية تتراوح من شهر إلى عام، والتي تغطي عادة التخطيط لصيانة الشبكة الكهربائية والنظر في أسعار الكهرباء وتنظيم تقاسم الطاقة وجدولة الوقود، كما تم استخدام العديد من النماذج لمهام (MTLF) تم النظر في المرجع لإزالة الميزات غير ذات الصلة من نموذج بيانات المعالجة المسبقة الذي يتألف من اختيار الميزات.

استناداً إلى المعرفة التثقيفية باستخدام (Jaya) (خوارزمية التحسين) جنباً إلى جنب مع (CRBM (آلة Boltzmann المقيدة المشروطة) للتنبؤ بالحمل الكهربائي لشهر للمنازل الذكية، كذلك يتم تقديم مسحاً شاملاً فيما يتعلق بالتقنيات المختلفة المستخدمة في مرفق الكهرباء المحلي، وتم توظيف ثلاث تقنيات انحدار، وهي النمو الخطي والمركب والتربيعي بشكل مستقل، مما يساعد شركة توزيع الكهرباء واتخاذ خطوات فعالة لإدارة وتخطيط إدارة الطاقة.

التنبؤ بالحمل الكهربائي على المدى القصير

(STLF) التي تتعامل في منطقة زمنية تتراوح من بضع دقائق أو ساعات أو أيام هي عامل مهم للتشغيل والتخطيط اليومي لمرفق الطاقة والمكون الحاسم لنظام إدارة الطاقة، بحيث يتميز نهج (STLF) بالكفاءة في تقليل التكاليف المالية والمخاطر التشغيلية، مما يؤثر على المدخرات بشكل مباشر، لذلك يتم منحها أهمية كبيرة ويتم التعامل معها على أنها مشكلة حرجة في سوق الطاقة التنافسي.

كما تم اقتراح العديد من تقنيات (STLF)، والتي تم تصنيف بعضها على أنها طرق إحصائية، بما في ذلك (LR) و (ARIMA) والتمهيد الأسي (ES)، وفي وقت لاحق في (STLF) قدم العلماء طرقاً جديدة محددة، بما في ذلك (ANN ،FL ،SVM) والشبكة العصبية المتكررة (RNN) و (LSTM).

أما في حالة التنبؤ بالحمل على المدى القصير جداً؛ تشتهر (VSTLF) بتنبؤات الأحمال في إطار زمني يتراوح من دقيقة إلى ساعة، ونظراً لأن (VSTLF) يتعامل مع التنبؤ في المستقبل القريب؛ فإن بعض عوامل التنبؤ بالحمل تعتبر مشروطة، ولكن يتم أخذ الوقت ودرجة الحرارة في الاعتبار في الغالب مع استكشاف القيم الحالية للتنبؤ بالقيم المستقبلية.

وفي النهاية يعد التنبؤ بالحمل الكهربائي هو العنصر الأساسي في عمليات نظام الطاقة، بحيث تعتمد القرارات المختلفة المتعلقة بمعاملات الطاقة وإدارتها على ذلك، لذا؛ فإن دقتها ودقتها لصانعي القرار في قطاع الطاقة أمران في غاية الأهمية. قدمت هذه الدراسة استعراضاً تفصيلياً لنماذج التنبؤ بالحمل المتنوعة المتعلقة بفترات مختلفة والتي تم النظر فيها في قطاعات مختلفة.

المصدر: Y. Liang, D. Niu and W.-C. Hong, "Short term load forecasting based on feature extraction and improved general regression neural network model", Energy, vol. 166, pp. 653-663, Jan. 2019.C. Cecati, J. Kolbusz, P. Różycki, P. Siano and B. M. Wilamowski, "A novel RBF training algorithm for short-term electric load forecasting and comparative studies", IEEE Trans. Ind. Electron., vol. 62, no. 10, pp. 6519-6529, Oct. 2015.P. Singh, P. Dwivedi and V. Kant, "A hybrid method based on neural network and improved environmental adaptation method using controlled Gaussian mutation with real parameter for short-term load forecasting", Energy, vol. 174, pp. 460-477, May 2019.M. Q. Raza and A. Khosravi, "A review on artificial intelligence based load demand forecasting techniques for smart grid and buildings", Renew. Sustain. Energy Rev., vol. 50, pp. 1352-1372, Oct. 2015.

شارك المقالة:

وسوم: استهلاك الكهرباءالتنبؤ بالحمل الكهربائيالمرافق الكهربائيةانقطاع التيار الكهربائيتدفق الحمل الكهربائي

مقالات مختارة

هل تعلم

أكثر المقالات مشاهدةً