اشترك بالحزمة الذهبية واحصل على وصول غير محدود شمرا أكاديميا
تسجيل مستخدم جديدالتنبؤ الآني بالحمولات الكهربائية باستخدام الشبكات العصبونية
Instant Electrical Load Forecasting By Using Artificial Neural Networks
2054
3 101
0
(
0
)
تمت اﻹضافة من قبل
Shamra Editor
اسأل ChatGPT حول البحث
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".
مراجعة الذكاء الصنعي:
ملخص البحث
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.
قراءة نقدية
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.
أسئلة حول البحث
-
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.
المراجع المستخدمة
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
قيم البحث
اقرأ أيضاً
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.
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
