پیش بینی مصرف انرژی الکتریکی با استفاده از مدل رگرسیون (مطالعه موردی شرکت توزیع نیروی برق مازندران)

سال انتشار: 1394
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 857

فایل این مقاله در 11 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

MEAE01_0146

تاریخ نمایه سازی: 27 اسفند 1394

چکیده مقاله:

انرژی برق یکی از شاخص های بسیار مهم در رشد و پیشرفت جوامع امروزی محسوب می شود. توسعه تکنولوژی و ارتقای سطح زندگی مردم از سویی و نیز قابلیت کنترل بهتر و سهولت استفاده از انرژی الکتریکی از سویی دیگر سبب افزایش روز افزون مصرف انرژی برق شده است. با توجه به اینکه هدف تمامی شبکه های توزیع، فراهم نمودن برق مطمئن برای مشترکین و در عین حال، مدیریت هزینه های تولید و توزیع انرژی برق می باشد، لذا می بایست با استفاده از روش ها و مدل های مختلف پیش بینی بار مورد نیاز شبکه را با تقریبی قابل قبول پیش بینی نمایند.در این مقاله به منظور مدلسازی رفتار مشترکین با در نظر گرفتن روند مصرف دوره های گذشته و نیز شرایط آب و هوایی به عنوان یکی از عوامل تاثیر گذار بر مصرف برق، ابتدا روز های سال براساس دو فاکتور دما و مصرف خوشه بندی شده اند و سپس در هر خوشه، عملیات مدلسازی براساس رگرسیون انجام و برای خوشه بندی داده ها از الگوریتم ابتکاری خوشه بندیk-means استفاده شده است. این الگوریتم ابتکاری برخلاف سایر الگوریتم های خوشه بندیk-means این امکان را به کاربر می دهد که پس از بررسی خوشه ها، نقاطی که در آنها اختلاف داده ای زیاد است را به عنوان مراکز اولیه را انجام دهد، به این صورت که فاصله داده ها را براساس فاصله اقلیدسی با مراکز اولیه محاسبه نماید. هر داده در خوشه مربوط به مرکزی قرار می گیرد که کمترین فاصله را با آن داشته باشد. سپس برای هر خوشه مجددا مرکز محاسبه شده و این عملیات ادامه می یابد تاجایی که دیگر مراکز تغییر نکنند. در نهایت براساس فرمول ریاضی استخراج شده، بار مورد نیاز روزهای آتی با تقریب 95% مورد پیش بینی قرار گرفت.

کلیدواژه ها:

مدلسازی ، پیش بینی مصرف ، رگرسیون چندمتغیره ، الگوریتم خوشه بندی k-means

نویسندگان

زهرا اکبری شهربندی

شرکت تو زیع نیروی برق مازندران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :