اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدالتنبؤ العملياتي بالحمولات الكهربائية باستخدام الشبكات العصبونية
Operational Electrical Load Forecasting By Using Artificial Neural Networks
1359
0 249
0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
سنقدم في هذا البحث منهجية علمية للتنبؤ قصيرة جدا بالحمولات الكهربائية للمنظومة الكهربائية السورية أي التنبؤ بهذه الحمولات لعدة ساعات قادمة و قد أطلقنا على هذا النوع من التنبؤ التنبؤ العملياتي, تعتمد هذه المنهجية على استخدام الشبكات العصبية الصناعية.
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.
مراجعة الذكاء الصنعي:
ملخص البحث
يقدم هذا البحث منهجية علمية للتنبؤ بالحمولات الكهربائية للمنظومة الكهربائية السورية باستخدام الشبكات العصبية الصناعية. يركز البحث على التنبؤ قصير الأمد جداً (لعدة ساعات قادمة) بالاعتماد على خوارزمية الانتشار العكسي. تم استخدام بيانات حقيقية من وزارة الكهرباء السورية لتدريب الشبكة العصبية وتحليل النتائج. أظهرت النتائج دقة عالية في التنبؤ حيث كان الخطأ النسبي الأقصى حوالي 2.4643%، والخطأ النسبي المتوسط المطلق في حدود 1.1888%. تم إعداد برامج حاسوبية في بيئة MATLAB لتسهيل استخدام الشبكة العصبية في مراكز التنسيق والأبحاث التابعة لوزارة الكهرباء. تم مقارنة النتائج مع دراسات سابقة وأظهرت تفوقاً في الدقة والفعالية. يوصي البحث باستخدام هذه الشبكة في مراكز التنسيق لتحسين كفاءة التشغيل الاقتصادي لمحطات التوليد الكهربائية.
قراءة نقدية
تعتبر الدراسة مفيدة جداً في مجال التنبؤ بالأحمال الكهربائية باستخدام الشبكات العصبية، إلا أن هناك بعض النقاط التي يمكن تحسينها. أولاً، الدراسة تركز بشكل كبير على البيانات التاريخية دون النظر إلى المتغيرات الخارجية الأخرى التي قد تؤثر على الأحمال الكهربائية مثل الظروف الجوية أو الأحداث الاقتصادية. ثانياً، لم يتم التطرق إلى كيفية التعامل مع البيانات المفقودة أو غير الكاملة، وهو أمر شائع في البيانات الحقيقية. ثالثاً، على الرغم من أن النتائج تظهر دقة عالية، إلا أن الدراسة لم تذكر أي اختبارات على بيانات جديدة لم تُستخدم في التدريب، مما يجعل من الصعب تقييم قدرة النموذج على التعميم. أخيراً، يمكن تحسين الدراسة بإضافة مقارنة مع تقنيات أخرى للتنبؤ بالأحمال الكهربائية لتقديم صورة أكثر شمولية عن فعالية الشبكات العصبية.
أسئلة حول البحث
-
ما هي المنهجية المستخدمة في التنبؤ بالحمولات الكهربائية في هذه الدراسة؟
تم استخدام الشبكات العصبية الصناعية وخوارزمية الانتشار العكسي للتنبؤ بالحمولات الكهربائية للمنظومة الكهربائية السورية.
-
ما هي دقة النموذج المستخدم في التنبؤ بالحمولات الكهربائية؟
أظهرت النتائج أن الخطأ النسبي الأقصى كان حوالي 2.4643%، والخطأ النسبي المتوسط المطلق في حدود 1.1888%.
-
ما هي البيانات المستخدمة في تدريب الشبكة العصبية؟
تم استخدام بيانات حقيقية للحمولات الكهربائية من وزارة الكهرباء السورية لتدريب الشبكة العصبية.
-
ما هي التوصيات التي قدمها البحث؟
يوصي البحث باستخدام الشبكة العصبية في مراكز التنسيق التابعة لوزارة الكهرباء لتحسين كفاءة التشغيل الاقتصادي لمحطات التوليد الكهربائية.
المراجع المستخدمة
ABDUL HAMID, M, ABDUL RAHMAN, T, 2010 -Short Term Load Forecasting Using an Artificial Neural Network Trained by Artificial Immune System Learning Algorithm. International Confernce on Computer Modeling and Simulation, IEEE, UK, 82p
BADRI, A, AMELI, Z, 2012 -Application of Artificial Neural Networks and Fuzzy logic Methods for Short Term Load Forecasting, Procedia, 534p
HAYKIN ,S, 2009 -Neural networks and Learning Machine. (3rd edition), pearson-prentice Hall Upper Saddle River, 315p
قيم البحث
اقرأ أيضاً
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 لأر
بع 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.
تعد التغذية الكهربائية الموثوقة و المستمرة ضرورية في ظل وظائف المجتمع الحالي المعقدة. نتيجةً للاستهلاك المتزايد و توسع شبكات التوزيع الكهربائية، فإن نظم القدرة الكهربائية تعمل بشكل قريب من حدودها الفنية، و بالتالي تتزايد احتمالية حدوث حالات التحميل ا
لزائد، فشل التجهيزات و التعتيم. أكثر من ذلك، فإننا نواجه مشكلة أخرى تتجسد في عدم القدرة على تخزين الطاقة الكهربائية بشكل فعال و بالتالي يجب أن يتم توليد الطاقة الكهربائية عند الحاجة لها فقط.
و نظراً لما يواجهه العالم من نضوب الموارد النفطية و الصعوبات المرتبطة بتأمين مصادر أخرى لتوليد الطاقة الكهربائية فإن عملية التنبؤ بالحمل الكهربائي تشكل عاملاً حاسماً في منظومة القدرة الكهربائية سواء من الناحية الاقتصادية، أو من الناحية الفنية على مستويي التشغيل و التخطيط.
يقدم هذا البحث منظومة تنبؤ بالحمل الكهربائي قصير الأمد بالاعتماد على الشبكات العصبونية، مع محاكاة ضمن بيئة ماتلاب بالإضافة إلى واجهة بيانية للمنظومة اعتماداً على بيانات الأحمال السابقة و محددات الطقس في محافظة طرطوس.
يقدم هذا البحث تقنية جديدة لتحسين عامل الاستطاعة بالاعتماد على الشبكات العصبونية الاصطناعية. حيث يتم التحكم بمحرك متواقت عن طريق متحكم عصبوني للتعامل مع مشكلة تعويض الاستطاعة الردية للنظام، و ذلك بهدف تحسين عامل الاستطاعة.
تم في هذا البحث نمذجة النظ
ام الكهربائي و المتحكم العصبوني باستخدام برنامج ماتلاب، و قد بينت النتائج أن هذه الطريقة قد تغلبت على المشاكل التي تحدث عند استخدام الطرق التقليدية (استخدام المكثفات الساكنة)، كالتأخير الزمني و التغيرات الخطوية في تعويض الاستطاعة الردية، بالإضافة إلى السرعة بالمقارنة مع التعويض باستخدام المكثفات.
تدرس هذه المقالة منهجية جديدة لتحديد وجود العطل من عدمه، و تصنيف الاعطال في الوقت الحقيقي بالاعتماد على الشبكات العصبونية في خطوط نقل القدرة الكهربائية. تعتمد هذه الخوارزمية على استخدام إشارات الجهود، و التيارات بوصفها يمثل دخل للشبكات العصبونية بعد
تقطيعها بتردد تقطيع 1 KHz، و بدون استخدام نافذة بيانات متحركة، حيث ان إشارات الدخل تعالج لحظياً على شكل سلسلة من البيانات المتلاحقة. يعتمد النموذج على ثلاث شبكات عصبونية يعالج كل منها بيانات طور من الأطوار بالإضافة الى شبكة عصبونية رابعة للجهد و التيار الصفريين. يتمكن هذا النظام من تحديد نوع العطل خلال زمن لا يتجاوز الـ 5 ميلي ثانية.
تتطلب أنظمة القدرة الحديثة تقنية دقيقة و سريعة للمعالجة في الوقت الحقيقي. تبين دراسات المحاكاة أن التقنية المقترحة قادرة على تمييز حالات العطل المختلفة بشكل دقيق جداً، و قد نجحت هذه التقنية في تحديد جميع أنواع الأعطال تحت شروط النظام المختلفة، بالتالي فإنها دقيقة بنسبة 100% و مناسبة للتطبيق في الزمن الحقيقي.
قمنا من خلال هذا البحث بتصميم برنامج يهدف إلى تحديد النقاط الحرجة التي يمكن أن
تسبب إنهيار التوتر، و بناء شبكة عصبونية ضمن بيئة برمجيات ماتلاب مهمتها التنبؤ بقيمة
الاستطاعة العظمى التي يمكن نقلها على نظام القدرة الكهربائية في ظروف انهيار التوتر
دو
ن أن ينهار نظام القدرة، و تدريبها على حالات واقعية تعرضت لها أنظمة القدرة الكهربائية،
ثم قمنا بتطبيق هذه الشبكة العصبونية المدربة على شبكة مرجعية IEEE-14 Bus-bar لإختبار
أدائها و مقارنة النتائج.
سجل دخول لتتمكن من نشر تعليقات
التعليقات
جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
