Journal of Iranian Association of Electrical and Electronics Engineers

fa بررسی تاثیر ادغام اطلاعات مناطق الکتریکی مختلف در پیش‌بینی بار شبکه قدرت با ارائه یک روش نوین پیش‌بینی سلسله‌مراتبی Effect of Information Ensemble on Electricity Load Forecasting by Proposing a Novel Hierarchical Forecasting Method قدرت Power پژوهشي Research <h1 dir="RTL" style="margin-bottom:16px; text-align:justify; text-indent:0cm; margin-top:16px">به منظور پیشبینی تقاضای مصرف انرژی الکتریکی یک شهر یا کشور، متداول است که دادههای تاریخی بار مناطق مختلف آن شهر و یا شهرهای مختلف آن کشور جمعآوری و بر اساس آن تصمیمات راهبری و یا راهبردی اتخاذ شود. با این حال، ممکن است استفاده از داده‌های تاریخی تمام مناطق و یا انواع مختلف بارهای مصرفی (مسکونی، تجاری و صنعتی) به یک میزان حائز اهمیت نباشد؛ بدین معنی که امکان دارد تنها میزان بار مصرفی بعضی از مناطق و یا تنها میزان مصرف یک نوع بار بیشترین تاثیر و اهمیت را در تصمیمگیری داشته باشد. از آنجایی که جمع جبری پیشبینیهای تمام مناطق و یا انواع بار لزوما پیشبینی مناسبی برای هدف مورد نظر ارائه نمی‌دهد، روشهای مختلفی برای ادغام پیشبینی مناطق مختلف وجود دارد. در ساده‌ترین حالت ممکن، میتوان به سادگی دادههای مناطق مختلف را جمع جبری نمود و یک سری زمانی کلی بهدست آورد و پیشبینی را بر اساس آن انجام داد. با این وجود، این روش ساده نه تنها همواره پیشبینی مناسبی ارائه نمیدهد بلکه نیازمند دسترسی به جزئیات داده‌های تاریخی بار و عوامل موثر آن به تفکیک هر منطقه نیز می‌باشد. از این رو، در این مقاله روشهای ادغام مختلفی نظیر روش‌های ادغام پایین به بالا، بالا به پایین و همچنین رویکرد ترکیب بهینه با در نظر گرفتن همبستگی بین سریهای زمانی زیرمجموعه معرفی شده است. با توجه به اینکه تاکنون به حوزه پیشبینی سلسلهمراتبی در صنعت برق پرداخته نشده است؛ این مقاله با بررسی کاربرد این موضوع به طور خاص برای پیشبینی تقاضای بار الکتریکی در شبکه قدرت از تحقیقات پیشین متمایز شده است. با توجه به تمرکز اصلی پژوهش حاضر بر تاثیر روشهای ادغام، در این مقاله از روشهای کلاسیک پیشبینی نظیر روش خودهمبسته ـ میانگین متحرک یکپارچه (ARIMA) و هموارسازی نمایی استفاده شده است. در این مطالعه، پیشبینی سلسلهمراتبی کوتاهمدت و بلندمدت برای دادههای واقعی بازار برق استرالیا انجام گرفته است. نتایج به روشنی نشان می‌دهند که روش ترکیب بهینه بهترین نتیجه را ارائه میدهد.</h1> To forecast the electricity load of a city or country and facilitate the strategic decision-making, it is common to collect the historical data from different zones of the city or different cities of the country. However, normally all the zones or different sectors’ load (residential, industrial, and commercial) are not important equally. In other words, a certain zone or a sector may have the most effect on decision making. Therefore, the simple algebraic sum of the different zones’ forecasting may not be meaningful for the ultimate objective. There are different methods for aggregation of the different zones’ forecasts. The most convenient method is the simple algebraic sum of the different zones’ forecasts, which is not only inefficient but also needs more details about the effective factors on the electricity demand in each zone. In this paper, different aggregation approaches such as bottom-up, top-down, optimal combination methods are presented. It should be mentioned that any research paper in the field of the electrical power system and load forecasting have not studied the hierarchical forecasting; therefore, presenting the hierarchical method for load forecasting is a strict innovation of this paper. The Auto-Regressive Integrated Moving Average (ARIMA) and Exponential Smoothing methods are embedded in proposed aggregation approaches. The proposed methods are applied to forecast Australian electric load in short-term and long-term horizons.   پیش‌بینی سلسله‌مراتبی, ادغام اطلاعات, ARIMA, هموارسازی نمایی, برنامه نویسی R Hierarchical Forecasting, Information ensemble, ARIMA, Exponential Smoothing 307 318 http://jiaeee.com/browse.php?a_code=A-10-1234-1&slc_lang=fa&sid=1 Zohre Kaheh زهره کاهه zohreh.kaheh@modares.ac.ir 10031947532846009000 10031947532846009000 No Department of Power System Operation and Planning,Niroo Research Institute (NRI) گروه پژوهشی برنامه‌ریزی و بهره‌برداری سیستم‌های قدرت- پژوهشگاه نیرو Morteza Shabanzadeh مرتضی شعبان زاده mshabanzadeh@nri.ac.ir 10031947532846008999 10031947532846008999 Yes Department of Power System Operation and Planning,Niroo Research Institute (NRI) گروه پژوهشی برنامه‌ریزی و بهره‌برداری سیستم‌های قدرت- پژوهشگاه نیرو