Journal of Iranian Association of Electrical and Electronics Engineers

fa اولویت بندی روزهای مشابه جهت پیش بینی بار کوتاه مدت شبکه ایران با درنظرگیری دما و بخش بندی سیستم قدرت Priority Index for Selection of Similar Days in Short Term Load Forecasting Method Considering Temperature and Partitioning قدرت Power پژوهشي Research <div style="text-align: justify;"> <strong><span style="font-family:b nazanin;"><span style="font-size:11.0pt;">امروزه پیشبینی بار کوتاه‌مدت، یکی از مسایل بسیار مهم در برنامهریزی سیستمهای انرژی بشمار میرود. بهبود دقت در پیشبینی بار موجب کاهش هزینههای ناشی از خطا در پیشبینی و بهینه کردن عملکرد سیستم قدرت میشود. تا کنون روشهای متفاوتی جهت پیشبینی بار کوتاه مدت ارائه شده است اما در بین تمامی روشها، روش روزهای مشابه دارای حجم و زمان محاسباتی بسیار اندکی است. در نتیجه بهبود دقت این روش در پیشبینی بار میتواند بسیار حائز اهمیت باشد. در این مقاله با ارائه شاخصی جهت اولویتبندی انتخاب روزهای مشابه در پیشبینی بار، دقت این روش بهبود داده شده است. در این شاخص، دما و فاصله زمانی روز مشابه با روز هدف</span></span></strong><strong><span style="font-size:11.0pt;">،</span></strong><strong><span style="font-family:b nazanin;"><span style="font-size:11.0pt;"> بطور همزمان درنظر گرفته شده است. از طرف دیگر با پیشنهاد بخشبندی کل سیستم قدرت، تاثیر دما در این روش بطور موثرتری اعمال خواهد شد. روش ارایه شده بر روی شبکه قدرت ایران پیادهسازی شده و نسبت به روش کلاسیک روزهای مشابه، باعث کاهش میانگین خطای سالیانه از %1.08  به %1.01 میشود. این روش علاوه بر کاهش 7% از میزان خطا، باعث میشود تعداد روزهای با خطای پیشبینی بیش از حد مجاز، کاهش یابد و در نتیجه قابلیت اطمینان پیشبینی بار افزایش پیدا کند.</span></span></strong></div> <div style="text-align: justify;">Short term load forecasting (STLF) is one of the important issues in the energy management of power systems. Increasing the accuracy of STLF results leads to improving the energy system scheduling and decreasing the operating costs. Different methods have been proposed and applied in the STLF problem such as neural network, fuzzy system, regression-based and neuro-fuzzy methods. This paper investigates the knowledge-based method because of its less computation time and memory compared with other methods. The accuracy of knowledge-based STLF method is improved by proposing a novel priority index for selection of similar days. In this index, temperature similarity and date proximity are simultaneously considered. In order to consider the effect of temperature in STLF more efficiently, the system is partitioned into the smaller regions and the STLF of the whole system is calculated by gathering the STLF of all regions. The proposed method is implemented on a sample real data, Iran’s national power network, to show the advantages of the proposed method compared with Bayesian neural network and locally linear neuro-fuzzy methods in aspects of accuracy and computation time. It is shown that the proposed method decreases yearly mean absolute percentage error (MAPE), and generates more reliable load forecasting.</div> پیش بینی بار کوتاه مدت, روش روزهای مشابه, بار شبکه ایران, بخش‌بندی سیستم قدرت, اولویت بندی روزهای مشابه Short term load forecasting, Knowledge-based method, Iran power system, System partitioning, Priority index for similar day selection. 108 117 http://jiaeee.com/browse.php?a_code=A-10-1-244&slc_lang=fa&sid=1 M. Karimi مازیار کریمی ma_karimi@sbu.ac.ir 10031947532846001820 10031947532846001820 Yes دانشجوی دکتری- پژوهشگاه نیرو و دانشکده مهندسی برق- دانشگاه شهید بهشتی - تهران- ایران H. Karami حسین کرمی 10031947532846001821 10031947532846001821 No دانشجوی دکتری- پژوهشگاه نیرو و دانشکده مهندسی برق- دانشگاه صنعتی امیرکبیر- تهران- ایران M. Gholami مصطفی غلامی 10031947532846001822 10031947532846001822 No استادیار- گروه مهندسی برق، دانشگاه علم و فناوری مازندران و پژوهشگاه نیرو، بهشهر، ایران H. Khatibzadeh هادی خطیب زاده hkhatibzadeh@nri.ac.ir 10031947532846001823 10031947532846001823 No کارشناسی ارشد- پژوهشگاه نیرو - تهران- ایران N. Moslemi نیکی مسلمی nmoslemi@nri.ac.ir 10031947532846001824 10031947532846001824 No کارشناسی ارشد- پژوهشگاه نیرو - تهران- ایران