تحسين التنبؤ بالطلب على الكهرباء في أنظمة الطاقة اللامركزية

اقرأ في هذا المقال


أهمية تحسين التنبؤ بالطلب على الكهرباء في أنظمة الطاقة اللامركزية

يواجه مشغلو أنظمة الطاقة اللامركزية أو المجمعون أو الموردون أو المديرون أو أصحاب المصلحة الآخرون تحديات من خلال المواجهات، والتي تختلف من عدة إمدادات كهرباء غير كافية لزيادة الاستهلاك، كما تختلف منحنيات الطلب على الكهرباء لأنظمة الطاقة اللامركزية، مثل المباني ومجتمعات الطاقة والشبكات الصغيرة ومحطات الطاقة الافتراضية وشبكات الطاقة المحلية وما إلى ذلك عن منحنيات طلب الكهرباء النموذجية التي تمثل استهلاك الكهرباء على مستوى الدولة أو المنطقة.

كما أن هذا يجعل التقنيات التقليدية (المطورة للتنبؤات الوطنية أو الإقليمية بالطلب على الكهرباء) غير مناسبة لتطبيقها المباشر في أنظمة الطاقة اللامركزية لسببين واضحين، وهما أنه في أنظمة الطاقة اللامركزية، ليس فقط مستوى الطلب الإجمالي على الكهرباء أقل بعدة مرات من مستويات الطلب الإقليمي أو الوطني، ولكن أيضاً ملف الطلب على الكهرباء يُظهر مزيداً من التقلبات ولا يتبع نفس الملف بشكل عام.

لذلك؛ فإن النشر الأخير لأنظمة الطاقة اللامركزية يتطلب أدوات اختيار الميزات المناسبة والقابلة للتطبيق (FS) ونماذج التنبؤ لنمذجة الاستهلاك الاقتصادي والفعال، كذلك اختيار الميزة هو إجراء لاختيار مجموعة فرعية من أهم الميزات (السمات أو المتغيرات أو المتنبئات) لاستخدامها في تطوير النموذج التنبئي، لذلك قد تساعد المعرفة الأساسية حول النماذج الإحصائية على فهم طريقة فعالة لاختيار الميزات وهو أمر مهم لأداء التنبؤ النهائي لنماذج التنبؤ بالأحمال الكهربائية.

ومع ذلك، يجب تصميم نهج اختيار الميزة الفعال وتنفيذه واختباره بشكل صحيح لتطبيق معين في السؤال، وفي عصر “البيانات الضخمة” الحالي، تمتلئ مجموعات البيانات بالمعلومات التي تحتوي على بيانات هائلة تم جمعها من ملايين أجهزة ومستشعرات إنترنت الأشياء (IoT)، وهذا يجعل البيانات عالية الأبعاد وأصبح من الشائع جداً ملاحظة مجموعات البيانات مع مئات (حتى الآلاف) من المتغيرات.

كما وينطبق الشيء نفسه على قطاع صناعة الطاقة الكهربائية، حيث تم تطوير مفهوم الشبكات الذكية وتطبيقه على أساس فكرة إنترنت الأشياء والتفاعل المعقد للبيانات بين مختلف أصحاب المصلحة، وعندما يتم تقديم البيانات بأبعاد عالية جداً؛ فإنها تختنق نماذج التنبؤ عمومًا بما يلي:

  • تزداد أوقات التدريب والتحقق والاختبار أضعافاً مضاعفة مع عدد المتغيرات.
  • ستواجه نماذج التنبؤ خطراً متزايداً في التزود بعدد متزايد من المتنبئين.
  • ستواجه دقة التنبؤ تهديداً تراكمياً بالتقليل مع زيادة عدد الميزات.

الأعمال ذات الصلة بتحسين التنبؤ والطلب على الكهرباء

تُصنف طرق الخدمة الثابتة على أنها تقنيات ترشيح وتغليف ومدمجة، لذلك لا تعتمد تقنيات التصفية على أي نموذج تنبؤ وتقوم بفرز الميزات اعتماداً على الخصائص الإحصائية، بحيث يستخدمون درجة الارتباط لتقدير مجموعة فرعية للميزات، كذلك طرق (FS) القائمة على تقنية التصفية سريعة بشكل عام، بحيث يحتوي نهج المرشح (FS) على طرق قائمة على الارتباط، كما تعتمد على المعلومات المتبادلة وطرق قائمة على تحليل المكونات الرئيسية.

كما تتطلب المرشحات عمومًا وقت حساب أقل من تقنيات (FS) الأخرى، ولكنها تنشئ مجموعة ميزات غير مناسبة لنموذج تنبؤ معين، بحيث يتم تطبيق تقنيات التصفية على نطاق واسع في تحليل البيانات الضخمة نظراً لكفاءتها الحسابية، كما تقوم تقنيات الغلاف بتقييم المجموعات الفرعية للتنبؤ بناءً على قيمتها لمتنبئ أو مصنف معين، بحيث تفترض تقنيات الغلاف أن (FS) على أنها مشكلة بحث تعد مزيجاً مختلفاً من المتنبئين وتقييمها ومقارنتها مع الخلطات الأخرى.

كذلك تُستخدم طرق التحسين الاستكشافية الشائعة القائمة على الذكاء الاصطناعي والمذكورة في القسم الأول لمراقبة إجراء البحث. بالمقارنة مع تقنيات التصفية، كما تكشف تقنيات الغلاف عن أداء محسّن حيث يتم تقييم مجموعات تنبؤيه مختلفة بواسطة نموذج تنبؤي أو طريقة ملائمة في كل تكرار.

كذلك؛ فإنها تدمج التقنيات المضمنة عملية اختيار الميزة في تدريب نموذج التنبؤ، وعلى سبيل المثال تعتبر مناهج التنظيم في تدريب النموذج، حيث أن أحد الأمثلة على أسلوب (FS) من النوع المضمن، بحيث يمكن أيضاً أن يكون نموذج (LASSO) الذي يعمل على تطبيع معلمات النماذج الخطية مع عقوبات (L1) لتقليل المعاملات غير المرتبطة إلى الصفر مثالاً واحداً على الطريقة المضمنة.

كما يعرض الجدول التالي استراتيجيات (FS) المنشورة مؤخراً في نطاق التنبؤ بالطلب لنظام الطاقة وتطبيقات الطاقة الكهربائية.

eseye.t1-2924685-large-300x94

ومن تقنيات الغلاف الموضحة في الجدول، يُظهر اختيار الميزة المستندة إلى (GA) أفضل أداء في إزالة الميزات المكررة، بحيث ابتكر استراتيجية متكاملة للتنبؤ باستهلاك الكهرباء، وفي هذا العمل يتم استخدام (GA) التقليدي للحصول على أفضل مجموعة فرعية للتنبؤ مهجنة مع نظام استدلال عصبي غامض تكيفي (ANFIS).

كما تم وضع توليفة من (GA) و (ACO) للخدمة الثابتة في التنبؤ بالطلب على الحمل الكهربائي، بحيث يتم استخدام (ANN) كنموذج متنبئ لقياس درجة اللياقة لمجموعات الميزات الفرعية، كما ابتكر تكوين انحدار متجه لدعم [GA-support (SVR)] للتنبؤ بطلبات حجز الإقامة في الفنادق على سبيل المثال، حيث يتم استخدام (GA) لكل من اختيار الميزة وتحسين معلمة (SVR).

كما تم القيام بتنفيذ اختيار الميزة المستند إلى (GA) لمشكلات التنبؤ بالطلب في صناعات البيع بالتجزئة في الصين، بحيث تم اقتراح تعديل (GA) لقطاع الخدمات المالية في مشكلة التنبؤ بالطلب في قطاع الصحة على وجه التحديد في قسم العيادات الخارجية (OPD)، كما يتم استخدام الشبكة العصبية العميقة كنموذج تنبؤي لتقييم درجة اللياقة لمجموعات الميزات الفرعية.

مشكلة مجموعة البيانات واختيار الميزة

تم إنشاء مجموعة الميزات الأصلية من خلال التقييم الأساسي لخصائص استهلاك الكهرباء في أنظمة الطاقة اللامركزية مثل المباني وارتباطها بالاستهلاك التاريخي (السابق) والعوامل الخارجية، حيث أن العوامل الخارجية هي سعر سوق الكهرباء، الموسمية (الدقيقة / الساعة ، الشهر والموسم)، كذلك عوامل الطقس وتفاعل الناس (الإشغال)، بحيث يعد توفر مصادر البيانات لهذه العوامل الخارجية التي تؤثر على استهلاك الكهرباء عاملاً رئيسياً آخر لإنشاء مساحة الميزة الأصلية.

كما تتكون الميزة الكاملة المحددة للنموذج التنبئي للطلب على الكهرباء في عمل الخدمة المالية هذا من تأخر الطلب على الكهرباء والمتطلبات الموسمية (أو التقويمية) ومتطلبات الطقس والإشغال والعامل الاقتصادي (سعر الكهرباء)، بيث يعرض الجدول التالي (2) مساحة الميزة الأصلية أو مجموعة البيانات الأولية لعمل (FS) في هذه الدراسة.

كما تحدد المتغيرات (fi ، i = 1،2 ، … ، 24) في الجدول (2) مجموعة بيانات التوقع الأصلية (مساحة الميزة) المطلوبة لعمل (FS) في هذه الدراسة، لذلك؛ فإن مجال ميزة (FS) هو مصفوفة (Rmxn)، حيث (m = 8760) هو عدد العينات، وهو ملاحظة لمدة عام واحد (2015) كل ساعة للمتغيرات و (n = 24) هو حجم مساحة الميزة (الأصلي مجموعة البيانات).

وفي هذه الدراسة؛ فقد تم حل مشكلة التحسين التالية للحصول على أفضل مجموعة فرعية للتنبؤ (ذات صلة وغير احتياطية) من مجموعة البيانات الأصلية الواردة في الجدول السابق (2).

كما أنه يتم التعبير عن مشكلة (FS):

Untitled-92-300x72

حيث أن (fr) هو عدد المتنبئين في المجموعة الفرعية للتنبؤ ذات البعد الأدنى (المنخفض) و هي النسبة المئوية لخطأ التنبؤ، كما يمكن البحث عن مجموعة فرعية لميزة (fi) من الجدول السابق (2) بحيث يتم تقليل الهدف و (fr).

المصدر: A. H. Shahana and V. Preeja, "Survey on feature subset selection for high dimensional data", Proc. IEEE ICCPCT, pp. 1-4, Mar. 2016.H. Li, A. T. Eseye, J. Zhang and D. Zheng, "A double-stage hierarchical hybrid PSO-ANFIS model for short-term wind power forecasting", Proc. IEEE GreenTech, pp. 342-349, Mar. 2017.S. Harde and V. Sahare, "Design and implementation of ACO feature selection algorithm for data stream mining", Proc. IEEE ICACDOT, pp. 1047-1051, Sep. 2016.B. Tran, B. Xue and M. Zhang, "A new representation in PSO for discretization-based feature selection", IEEE Trans. Cybern., vol. 48, pp. 1733-1746, Jun. 2018.


شارك المقالة: