پیش بینی کوتاه مدت بار با استفاده از شبکه های عصبی مصنوعی و الگوریتم هیبرید رقابت استعماری

نکته مهم در طراحی سیستم قدرت، حصول گسترش منظم و اقتصادی است که نیاز آتی عامّه را با در نظر گرفتن قابلیت اطمینان مناسب برآورده سازد. عناصر سیستم تفذیه یعنی خطوط انتقال فرعی، پست‌ها و فیدرهای توزیع عموماً دارای ظرفیت‌هایی هستند که چندین مرتبه کوچکتر از بار کل سیستم می‌باشند. طراحی چنین سیستمی عبارتست از تعیین اندازه‌های صحیح، مکانهای مناسب، اتصالات پیوسته و زمان بندی جهت اضافه کردن تجهیزات در آینده. طراحی صحیح تجهیزات توزیع برای آینده به پیش‌بینی توزیع جغرافیایی تقاضای الکتریکی در آینده نیازمند است بطوری که تمایز بین ظرفیتهای ممکنه، مکانها و اتصالات قابل تغییر باشند. کیفیت و دقت این پیش‌بینی تأثیر زیادی بر کیفیت طراحی سیستم تغذیه بعدی دارد. بنابراین روش‌های انجام چنین پیش‌بینی‌هایی موضوعی است که طی چندین ساله اخیر مورد توجه زیادی قرار گرفته است. طی دهه اخیر چندین روش کامپیوتری عملی و بحدّ کافی اتوماتیک برای استفاده در طراحی سیستم تغذیه ارائه شده است. در بسیاری از این روش‌ها، برای بهبود طراحی سیستم و تعیین یک طرح توسعه با هزینه کمینه از بهینه سازی استفاده گردیده است.

1. زمانبندی مناسب برای بهره‌برداری اقتصادی از واحدهای قدرت
2. زمانبندی مناسب جهت برنامه‌ریزی تعمیرات و سرویس دوره‌ای نیروگاه‌ها و خطوط انتقال
3. اطلاع از بار شبکه جهت اطمینان و امنیّت شبکه و جلوگیری از حوادث احتمالی در اثر عواملی نظیر اضافه بار و تغییرات ولتاژ
4. رعایت میزان تولید انرژی تعیین شده واحدهای آبی با توجه به میزان ذخیره‌ی آب پشت سدها و فصول مختلف

1. پریود اولیه که در آن رشد کم است و به تدریج افزایش می‌یابد
2. پریود میانی با روند رشد سریع
3. پریود نهایی که در آن رشد کاهش می‌یابد و در نهایت به یک سطح اشباع می‌رسد.

که در آن:

بار الکتریکی واقعی

میانگین بار

بار الکتریکی پیش‌بینی شده می‌باشد.

هرچه مقدار فوق به 1 نزدیکتر باشد نشان دهنده تطابق بیشتر مدل با داده‌های بار است.

در طراحی سیستم‌های توزیع، روش‌هایی می‌توانند مورد استفاده قرار گیرند که خطای فرکانس بالا تولید می‌کنند. در روشهای عملی با دستکاری اطلاعات و آمار گردآوری شده درباره بار و ابعاد منطقه و ناحیه به سمتی پیش می‌روند که خطای تولید شده دارایفرکانس زیاد باشد تا تأثیر کمی بر طراحی سیستم داشته باشد. چنانچه این کار صورت نگیرد برای تصحیح اطلاعات و پردازش آنها باید زمان زیادی صرف گردد.

1. عملگرهای ساختاری و مستقل از مسئله: عملگرهایی هستند که به نوع کد کردن مسئله وابسته نیستند و ساختار تقریباً معین و ثابتی دارند. مثلاً بخش رقابت استعماری
2. عملگرهای وابسته به مسئله: این عملگر‌ها، باید وابسته به مسئله طراحی شوند. مثلاً عملگر جذب

بنابراین ما دو فضای کار خواهیم داشت، یکی فضای Phenotype و دیگری فضای Genotype که برای هر یک از دو زیر مجموعه‌ی فوق به این صورت تعریف می‌شود:

لذا نیاز به تابعی خواهیم داشت که رشته‌ای از متغییرها را بصورت m×n تولید کند، با این فرض که n  بیان کننده تعداد متغیرها (در اینجا تعداد ورودی‌ها) و m تعداد کشورها باشد که این تعداد در هر مرحله از الگوریتم دستخوش تغییر خواهد شد.

در این بخش از یک برش روی فضای Genotype استفاده شده است به این ترتیب که هر امپراطوری و کم هزینه‌ترین کلونی به صورت رندم از یک نقطه برش خورده و جای قسمت‌های برش خورده باهم عوض می‌شوند، سپس این روال بر روی کلونی‌های دیگر امپراطوری نیز صورت می‌پذیرد و کلونی‌ها دو به دو مورد برش و جابه‌جایی در قطعات قرار می‌گیرند. پس از آن مجدداً تابع هزینه آنها محاسبه شده و در رقابت شرکت می‌کنند.

با انجام مراحل فوق ما الگوریتمی با ساختاری ترکیبی از رقابت استعماری و ژنتیک داریم که همانگونه که قبلا نیز ذکر شد، آنرا الگوریتم هیبرید رقابت استعماری یا به اختصار HICA می‌نامیم

ورودی‌های مؤثر دارای فضای Genotype بصورت [1 0 0 0 0 1 1 1 1 1 1 0 1] هستند که این رشته حاکی از آن است که ورودی های ساعت، میزان بار مصرفی ساعت کنونی، میزان بار مصرفی ساعت کنونی از روز قبل، میزان بار مصرفی ساعت بعد از روز قبل، میزان بار مصرفی ساعت بعد از سال قبل، میزان بار کل مصرفی روز قبل و میزان بار کل مصرفی همان روز از سال قبل بهترین (نه الزاماً) ورودی ها برای آموزش شبکه عصبی هستند.

طبق آنچه که در نمودارکارایی الگوریتم هیبرید رقابت استعماری در شکل (3-1) مشاهد می‌شود، الگوریتم توانسته است پس گذشت حدودا 57 دهه (یا همان اجرای الگوریتم) بهترین ورودی را پیدا کند. رنگ قرمز کمترین هزینه در امپراطوری و خطوط نقطه چین میانگین هزینه سایر کلونی ها را نشان می‌دهد. از آنجا که تعداد ورودی‌ها کم است و فرض انتخابی ورودی‌ها نیز به خوبی صورت گرفته بود مشاهده میشود که میزان بهبود ناچیز است. اما باید این نکته را در نظر گرفت که همین میزان بهبود در شرایط فوق، با توجه به بزرگ بودن مقیاس در بار مصرفی که برحسب MWH است میتواند تا چه حد صرفه جویی اقتصادی در تولید نیروی الکتریکی داشته باشد. برای مثال اگر تمامی ورودی‌ها را برای آموزش شبکه دخالت دهیم، خطایی برابر با % 06/0خواهیم داشت که اختلاف این مقدار با مقداری که شبکه با ورودی‌های بهینه آموزش دیده است برابر 100 کیلووات ساعت خواهد بود که در یک سال 876 مگاوات ساعت صرفه جویی اقتصادی خواهیم داشت.

شکل 4-1: میزان کارایی شبکه عصبی

لینک دانلود پایان نامه – پیش بینی کوتاه مدت بار با استفاده از شبکه های عصبی مصنوعی و الگوریتم هیبرید رقابت استعماری