Subscribe to the gold package and get unlimited access to Shamra Academy
Register a new userInstant Electrical Load Forecasting By Using Artificial Neural Networks
التنبؤ الآني بالحمولات الكهربائية باستخدام الشبكات العصبونية
2055
3 101
0
(
0
)
Created by
Shamra Editor
Ask ChatGPT about the research
نقدم في هذا البحث دراسة علمية متقدمة متطورة و تواكب الدراسات و التكنولوجيا الحديثة حول التنبؤ قصير الأمد جدا بالأحمال الكهربائية و تطبيق الدراسة من أجل التنبؤ بالحمل الكهربائي في المنظومة الكهربائية السورية الأساسية حيث تم دراسة التنبؤ بهذا الحمل لأربع ساعات قادمة وفق المعيار الذي تتبعه وزارة الكهرباء في القطر لكن بفواصل زمنية قصيرة تبلغ عشرة دقائق بين التنبؤ و التنبؤ الذي يليه و قد أطلقنا عليه التنبؤ الآني.
In this research, We present a scientific advanced developed study and keeping up with new studies and technologies of very short-term electrical load forecasting and applying this study for electrical load forecasting of basic Syrian electrical power system by studying this prediction for next four hours according to the criterion applied in the Syrian Electricity Ministry with ten minutes intervals ,we call it "Instant electrical load forecasting".
Artificial intelligence review:
Research summary
يقدم هذا البحث دراسة متقدمة حول التنبؤ الآني بالحمولات الكهربائية باستخدام الشبكات العصبية الاصطناعية. يركز البحث على تطبيق هذه التقنية على النظام الكهربائي السوري للتنبؤ بالحمل الكهربائي لأربع ساعات قادمة بفواصل زمنية قدرها عشر دقائق. يعتمد النموذج على خوارزمية الانتشار العكسي لتدريب الشبكة العصبية باستخدام بيانات حقيقية من النظام الكهربائي السوري. أظهرت النتائج أن النموذج قادر على تحقيق دقة عالية في التنبؤ بالحمل الكهربائي، حيث بلغ الخطأ النسبي المئوي المطلق حوالي 1.6552%، وهو ما يعتبر مقبولاً مقارنة بالدراسات الحديثة. تم إعداد برامج حاسوبية في بيئة الماتلاب لتسهيل استخدام النموذج في مراكز التنسيق التابعة لوزارة الكهرباء السورية. يهدف البحث إلى تحسين دقة وسرعة التنبؤ بالحمل الكهربائي لتقليل الهدر في استهلاك الوقود وزيادة كفاءة تشغيل محطات التوليد.
Critical review
دراسة نقدية: يعتبر البحث خطوة مهمة نحو تحسين دقة التنبؤ بالحمل الكهربائي باستخدام تقنيات حديثة مثل الشبكات العصبية الاصطناعية. ومع ذلك، يمكن توجيه بعض النقد البناء للبحث. أولاً، يعتمد النموذج بشكل كبير على جودة البيانات الإحصائية المتاحة، والتي قد تكون غير متوفرة أو غير دقيقة في بعض الأحيان. ثانياً، لم يتم التطرق بشكل كافٍ إلى كيفية التعامل مع التغيرات المفاجئة في الحمل الكهربائي الناتجة عن عوامل خارجية غير متوقعة. ثالثاً، يمكن تحسين النموذج بدمج تقنيات أخرى مثل الخوارزميات الجينية أو تقنيات التعلم العميق لتحسين دقة التنبؤ. وأخيراً، يمكن أن يكون هناك حاجة لمزيد من الدراسات التطبيقية لتقييم أداء النموذج في ظروف تشغيلية مختلفة.
Questions related to the research
-
ما هي الفائدة الرئيسية من استخدام الشبكات العصبية الاصطناعية في التنبؤ بالحمل الكهربائي؟
الفائدة الرئيسية هي تحسين دقة وسرعة التنبؤ بالحمل الكهربائي، مما يساعد في تقليل الهدر في استهلاك الوقود وزيادة كفاءة تشغيل محطات التوليد.
-
ما هي خوارزمية التدريب المستخدمة في هذا البحث؟
تم استخدام خوارزمية الانتشار العكسي لتدريب الشبكة العصبية.
-
ما هو الخطأ النسبي المئوي المطلق الذي تم تحقيقه في هذا البحث؟
بلغ الخطأ النسبي المئوي المطلق حوالي 1.6552%.
-
ما هي الفواصل الزمنية المستخدمة في التنبؤ بالحمل الكهربائي في هذا البحث؟
تم استخدام فواصل زمنية قدرها عشر دقائق بين كل عملية تنبؤ.
References used
Amit, J, Satish, B, 2009 -Integrated Approach for Short [4] Term Load Forecasting using SVM and ANN. TENCON [4] IEEE Region 10 Conference, Report No: IIIT/TR, 6p
Badri, A, Ameli, Z, 2012 -Application of Artificial Neural [2] Networks and Fuzzy logic Methods for Short TermLoad [2] Fore casting, Procedia, 534p
Bhanuprakash, K, Supreetha Patel, T, Nikshepa, T, [9] Santosh, C, A Novel Approach for Short Term Load [9] Forecasting Using Load Profile Index Vectors by [9] Development of BPNN and GRNN Algorithms], March [9] 2016, -International Journal of Advanced Research in [9] [9 Electrical, Electronics and Instrumentation Engineering. [9 Vol. 5, Issue 3, 1833-1845
rate research
Read More
In this paper, we presented a scientific methodicalness in
very short term load forecasting depends on back propagation
artificial neural networks, and we relied upon real data of Syrian
electrical power system.
A reliable and continuous supply of electrical energy is necessary for the functioning
of today’s complex society. Because of the increasing consumption and the extension of
existing electrical transmission networks and these power systems are oper
ated closer and
closer to their limits accordingly the possibilities of overloading, equipment failures and
blackout are also increasing, furthermore, we have an additional obstacle which is that
electrical energy cannot be stored efficiently, so, electrical energy should be generated only
when it's needed.
Due to the fact that world is facing a lack of oil reserves and the difficulties related to
have alternative sources to generate electrical power, then, electrical load forecasting is
considered as a crucial factor in electrical power system either from economical or
technical point of view on both planning and operating levels.
This research introduces a short term electrical load forecasting system by using
artificial neural networks with a simulation in Matlab environment in addition to an
interface for the system and all that is depending on previous load data and weather
parameters in Tartous province.
This paper presents a new technique based on artificial neural networks (ANNs) to
correct power factor. A synchronous motor controlled by the neural controller was used to
handle the problem of reactive power compensation of the system, in order to
correct
power factor.
In this paper, the electrical system and the neural controller were simulated using
MATLAB. The results have shown that the presented technique overcomes the problems
in conventional compensators (using static capacitors) such as time delay and step changes
of reactive power besides to the fast compensation compared to the technique with
capacitors groups.
This paper shows a new approach to determine the presence of defects and to classify the defect type online based on Artificial Neural Networks (ANNs) in electrical power system transmission lines. This algorithm uses current and voltage signals samp
led at 1
KHz as an input for the proposed ANNs without the involvement of a moving data window, so input data will be processed as a string of data. The model depends on three neural networks one for each phase and another fourth neural network for the involvement of the ground during the fault. Response time of the classifier is less than 5 ms. Moreover modern power system requires a fast, robust and accurate technique for online processing.
Simulation studies show that the proposed technique is able to distinguish the fault type very accurate. Also this technique succeeded in determining of all defect types under all system conditions, so it is 100 percent accurate, so it is suitable for online application.
The contribution of our research include building an artificial neural
network in MATLAB program environment and improvement of
maximum loading point algorithm, to compute the most critical
voltage stability margin, for on-line voltage stability a
ssessment,
and a method to approximate the most critical voltage stability
margin accurately. a method to create a (ARTIFICIAL NEURAL
NETWORK) approach.
Log in to be able to interact and post comments
comments
Fetching comments
Sign in to be able to follow your search criteria
