1-1) اهمیت پیش بینی بار در سیستم های قدرت
صنعت برق از صنایع زیر بنائی یک کشور و رکنی بسیار مهم در رشد و پیشرفت جوامع امروزی محسوب می شود. با توجه به اینکه از یک طرف پروژه های صنعت برق نیاز به سرمایه گذاری کلان و زمان های طولانی دارد واز طرف دیگر با تکنولوژی موجود هنوز نمی توان ذخیره این انرژی را در ابعاد بزرگ امکان پذیر نمود. بنابراین برنامه ریزی تولید باید به گونه ای صورت گیرد که پاسخگوی تقاضای انرژی الکتریکی باشد. بدین جهت پیش بینی بار به عنوان عاملی مهم در طرح توسعه و بهره برداری از سیستم های قدرت تلقی می شود و در واقع وسیله ای است که به کمک آن می توان در جهت بهبود تصمیم گیری اقدام نمود. برآورد روند تخصیص منابع برای توسعه شبکه برق رسانی الزامی است.
در برنامه ریزی توسعه آینده یک سیستم قدرت برآورد بار از اهمیت زیادی برخوردار است و اساس و مبنای مطالعات برنامه ریزی را تشکیل می دهد میزان خطاهای پیش بینی بار دارای اهمیت خاص است.
مشکلات تصمیم گیری در این مورد موقعی بیشتر می شود که با بودجه محدود و هدف حداقل کردن هزینه از یک طرف و فشار متخصصین ومهندسین بخش قدرت برای خرید تجهیزات پیشرفته وگران قیمت از طرف دیگر و نیز گسترش بی رویه در استفاده از انرژی الکتریکی مواجه شود. اگر میزان بار پیش بینی شده کمتر از بار واقعی باشد ضریب اطمینان و در نتیجه کیفیت خدمات کاهش می یابد واین امر ممکن است حتی به خاموش های اجباری بیانجامد. خود این مساله تا حدی کار مسئولین تجزیه وتحلیل قابلیت اطمینان سیستم را مشکل می سازد واز طرف دیگر اگر بار آینده پیش از مقدار مورد نیاز پیش بینی گردد سرمایه گذاری زیادی هدر شده وبه نیاز مالی منجر می گردد.
عدم امکان ذخیره سازی انرژی الکتریکی از یک طرف وهمچنین صرف هزینه های هنگفت اقتصادی جهت ایجاد نیروگاه های جدید از طرف دیگر سیاست های کلی تولید انرژی الکتریکی را به سمت وسوئی جدید در ارتباط با مدیریت انرژی الکتریکی سوق داده است. واقعیت اینست که مصرف انرژی الکتریکی ثابت نبوده و همواره بصورت تابعی غیر خطی از پارامترهای مختلف زمانی،‌محیطی، اقتصادی و در نوسان می باشد. تغییرات مصرف بار الکتریکی شرکت های تولید کننده برق را موظف کرده است در زمانبندیهای مختلف اطلاعات مورد نیاز را جهت مدیریت بهتر انرژی در سیستمهای قدرت پیش بینی کنند [9] و [13].
افزایش قابلیت اطمینان وکارائی در صنعت برق، کاهش هزینه ها وهزینه معاملات در صنعت برق، تامین
گزینه های بیشتری برای مصرف کنندگان و… به عنوان انگیزه های اقتصادی، اجتماعی، سیاسی مدیریت صنعت برق را به ناچار دچار تحول و دگرگونی کرد که ازآن به عنوان تجدید ساختار صنعت برق نامبرده
می شود. در محیط سنتی، سیستمهای تولید، انتقال و توزیع انرژی الکتریکی به صورت انحصاری تحت کنترل دولت ویا یک نهاد انحصاری است که وظیفه نظارت بر بازار انحصاری و حتی قیمتهای انحصاری را نیز دارا می باشد. در سیستمهای قدرت تجدید ساختار نشده، مصرف کننده ها شرکت های توزیع منحصر به فرد بودند که انرژی را به صورت عمده و بر حسب قواعد خاص از تولید کننده های انحصاری دریافت می کردند. این مصرف کننده ها فقط تحت قیمت های از پیش تعیین شده توسط اپراتورسیستم انرژی خود را دریافت می کردند تولید کنندگان نیز فقط تحت قیمت هایی که توسط اپراتور سیستم وتحت قرار دادها وتعرفه کمی سنتی مشخص می شد انرژی مورد نیاز شبکه قدرت را تولید می کردند. در این نوع اقتصاد تلفات شبکه بسیار زیاد وجود از اینرو هزینه های زیادی تلف می شد.
با شروع تجدید ساختار صنعت برق و ورود بازارهای رقابتی انرژی الکتریکی قسمت های تولید، انتقال و توزیع اکثرا به قسمت های خصوصی واگذار شدند.
هر چند که در سطح انتقال این واگذاری به ندرت انجام گرفته است مصرف کنندگان در این نوع ساختار به سیستم انتقال دسترسی مستقیمی دارند و می توانند تولید کننده خود را نیز انتخاب کنند. بازارها از انحصار دولت خارج شده اند و بطور مستقل و همچنین هماهنگ با اپراتور مستقل بازار فعالیت می کنند.
در بخش توزیع نیز با فراهم کردن زمینه برای مشارکت بخش خصوصی و احداث نیروگاه توسط سرمایه گذاران داخلی و خارجی و همچنین واگذاری ظرفیت های نصب شده موجود و فراهم آوردن زمینه رقابت با افزایش تولید کنندگان سعی در جایگزین فضای رقابتی بجای شرایط انحصار گردیده که در بسیاری از کشورها این امر موفقیت آمیز بوده است.
بخش انتقال با توجه به ماهیتی که دارد و این واقعیت که نمی توان دو یا چند شبکه موازی در کنار هم تاسیس کرد تا برای انتقال برق با هم رقابت نمایند تقریبا هنوز به شکل انحصاری اداره شده و تحت عنوان شبکه ملی باقی مانده است.
در بخش توزیع نیز کلیه فعالیت های از نقطه دریافت برق از شبکه انتقال تا تحویل به مصرف کننده نهایی انحصاری است، ابتدا بخش خطوط از بخش مشترکین تفکیک شده پس این بخش خطوط از بخش مشترکین تفکیک شده، پس این بخش که مشابه به بخش انتقال است یا در تملک دولت باقی مانده ویا در برخی کشورها با رویکردهای اجرائی متفاوت به بخش خصوصی واگذار شده اند در بخش خدمات مشترکین نیز کلیه امور از درخواست و وصول مطالبات و… توسط شرکت های خرده فروش انجام می گیرد. از آنجایی که این بخش از شرایطی متفاوت با بخشهای انتقال و توزیع برخوردار می باشد فعالیت های این بخش از فعالیت انحصاری برخوردار نبوده و بنابراین شرکت های خرده فروش همزمان می توانند رضایت مشتری با هم رقابت نمایند که به بهبود کیفیت و کاهش هزینه های منتهی خواهند شد. لذا واگذاری این امور به بخش خصوصی و ایجاد زمینه مناسب برای رقابتی کردن این بخش نتایج قابل توجهی به همراه داشته است.
در اقتصاد برق، شرکت های تولید کننده برق موظفند، مصرف کننده های خود را قابلیت اطمینان زیاد، با کیفیتی بالا و قیمت مناسب با توجه به محدودیت های از جمله حفظ محیط زیست، قرار داد با دیگر شرکا در سیستم های به هم پیوسته وبا در نظر گرفتن قیودی نظیر توان و نوع نیروگاه های موجود میزان ذخیره سوخت مورد نیاز نیروگاه های حرارتی، میزان آب موجود در مخزن ها برای استفاده نیروگاه های آبی، و غیره تغذیه نماید.
برای نیل به این اهداف باید از طرفی، تجهیزات مورد نظر نیروگاه ها و شبکه های انتقال و توزیع، به نحو بهینه مورد استفاده و بهره برداری قرار گیرند ( حداقل سرمایه گذاری دراز مدت ) و از طرفی دیگر، انرژی های اولیه موجود برای تولید برق (انواع سوخت ها و آب و…. ) به طرز بهینه، مورد مصرف واقع شوند ]12[.
1-1-1) بررسی اهمیت پیش بینی بارازلحاظ فنی
ضرورت پیش بینی کوتاه مدت باراز لحاظ فنی را می توان به صورت زیر خلاصه نمود:
1- تنظیم برنامه جهت استفاده از نیروگاه های موجود، بدین صورت که حتی الامکان از نیروگاه ها بخار بعنوان بار پایه واز نیروگاه های آبی جهت کنترل فرکانس واز نیروگاه های گازی جهت رفع کمبود تولید در ساعات پیک استفاده نمود.
2- تهیه برنامه جهت ذخیره چرخان وغیر چرخان شبکه ومیزان خاموشی ها در صورت کمبود
3- تهیه برنامه خروج از واحدها خطوط انتقال ترانسفورماتورهای شبکه توزیع
4- رعایت میزان انرژی تعیین شده واحد های آبی که در این خصوص با توجه به متفاوت بودن میزان بار در ساعات مختلف روز می توان با آگاهی از میزان ذخیره آب در پشت سدها در ماه های مختلف از این نیروگاه ها حداکثر راندمان را با کمترین هزینه بدست آورد.
1-1-2) بررسی اهمیت پیش بینی بارازلحاظ اقتصادی[?][??]
یکی از وظایف آتی شرکتهای توزیع پس از راه اندازی بازار خرده فروشی خرید انرژی الکتریکی مورد نیاز محدوده خود از بازار عمده فروشی یا برق منطقه ای است. انرژی الکتریکی مورد نیاز هر شرکت باید از بازار برق خریداری شود و خریدار بابت خرید برق باید هزینه های مربوطه که عبارتند از قدرت درخواستی، انرژی مصرفی و جریمه آزمون ناموفق مصرف را پرداخت نماید. پروسه خرید بدین صورت است که خریداران برق مورد نیاز خود را روز قبل از مصرف پیش بینی نموده و برای بازار برق ارسال می نمایند. روش های بسیاری برای پیش بینی نیاز مصرف وجود دارد که در ادامه به آنها اشاره خواهیم کرد. پیش بینی نادرست نیاز مصرف باعث افزایش هزینه خرید انرژی الکتریکی می گردد. دقت در پیش بینی نیاز مصرف منجر به کاهش جریمه آزمون ناموفق مصرف و هزینه های قدرت درخواستی خواهد شد. ابتدا بایستی بازه مجاز و بهینه خطا را شناسایی نموده و با توجه به این بازه، پیش بینی اولیه را به گونه ای تصحیح نمود که احتمال افزایش متوسط قدر مطلق خطا از حد مجاز کاهش یابد.
قبل از ایجاد تجدید ساختار در صنعت برق کشور، پیش بینی بار برای کل کشور انجام شده و سپس با توجه به نتایج بدست آمده از این پیش بینی، شبکه مورد بهره برداری قرار می گرفت. در ساختار سنتی پیش بینی نادرست عواقب زیر را به دنبال دارد:
1- پیش بینی بیشتر از نیاز مصرف منجر به زیاد شدن ذخیره چرخان و در نتیجه هزینه های مرتبط با آن
می گردد.
2- پیش بینی کمتر از نیاز مصرف منجر به افت فرکانس، ناپایداری شبکه و در مدار قرار دادن واحدهای خاموش و هزینه های مرتبط با آن می گردد.
پس از تجدید ساختار در صنعت برق کشور، پیش بینی نیاز مصرف ساعتی توسط شرکت های برق منطقه ای انجام شده و به تبع شفاف سازی هزینه ها، پیش بینی نادرست نیاز مصرف باعث می شود که شرکت های برق منطقه ای جریمه گردند. امروزه با راه اندازی بازار خرده فروشی پیش بینی نیاز مصرف توسط شرکت های توزیع انجام می گیرد و عواقب پیش بینی نادرست متوجه این شرکت ها خواهد بود. روش های متفاوتی برای پیش بینی کوتاه مدت بار وجود دارد، روش های ابتدایی عموما بر پایه روش های آماری و با توجه به منحنی بار روزانه استوار است اما در سال های اخیر پیش بینی کوتاه مدت بار، بیشتر با روش های هوش مصنوعی انجام شده که از جمله آنها می توان به شبکه عصبی، فازی-عصبی، عصبی تطبیقی و عصبی – فازی اشاره نمود.
در نگاه اول ممکن است تصور شود که پیش بینی نیاز مصرف با خطای کم، هزینه خرید برق را حداقل
می نماید اما قوانین حاکم بر بازار برق ایران به گونه ای تدوین شده که پیش بینی با خطای کم تنها پارامتر کاهش هزینه های خرید برق نمی باشد. به عبارت دیگر مطابق قوانین بازار برق ایران پیش بینی کمتر یا بیشتر از نیاز مصرف به خریداران هزینه های متفاوتی را تحمیل می نماید.
1-2) راهکارها
با توجه به مطالب ذکر شده در بخش قبل خریداران انرژی الکتریکی سعی می کنند پیش بینی نیاز مصرف خود را تا حد امکان کمتر از مقدار واقعی اعلام نمایند. چرا که این امر علاوه بر اینکه خریداران را از حداقل شدن قدرت درخواستی مطمئن می کند در صورت جریمه شدن نرخ جریمه کمتر از حالتی است که پیش بینی بیشتر از مصرف واقعی باشد. اما باید توجه داشت که پیش بینی کمتر از نیاز مصرف نیز پیامدهای زیر را به دنبال خواهد داشت.
1- افزایش احتمال جریمه شدن به دلیل افزایش قدر مطلق خطا
2- افزایش احتمال جریمه شدن به دلیل افزایش متوسط قدرمطلق خطا
3- افزایش شاخص جریمه خطای پیش بینی نیاز مصرف و نیاز مصرف واقعی شرکت برق منطقه ای
جهت کاهش این پیامدها لازم است برای پیش بینی نیاز مصرف کمتر از مصرف تدابیری اندیشیده شود تا اثرات این عواقب کاهش یابد.
همانطور که ملاحظه می شود برای کاهش هزینه خرید انرژی الکتریکی بهتر است پیش بینی نیاز مصرف کمتر از میزانی باشد که امکان مصرف آن وجود دارد. اما نکته مهم این است که نیاز مصرف چه مقدار کمتر پیش بینی شود. برای این منظور لازم است به این نکته توجه داشت که در صورت تجاوز متوسط قدرمطلق خطا از حد مجاز، خریداران مشمول پرداخت جریمه می گردند. از این رو پیش بینی نیاز مصرف باید به گونه ای باشد که اولا خریدار مشمول پرداخت جریمه برای افزایش متوسط خطای از مقدار مجاز نگردد و ثانیا در ساعاتی که مصرف بیشتر است خریدار با توجه به افزایش بازه خطای مجاز، آزادی بیشتری در پیش بینی نیاز مصرف دارد. با توجه به نکات ذکر شده این ایده در ذهن القا می شود که برای پیش بینی کمتر در هر ساعت باید به مصرف و حد مجاز متوسط خطا توجه داشت.
1-3) پیش بینی بار از دیدگاه دوره های زمانی [??][?][??]
برنامه ریزی و بهره برداری بهینه در سیستم های قدرت از نقطه نظر زمانی در چند مرحله بشرح زیر انجام می پذیرد:
o برنامه ریزی دراز مدت ( 30-5 سال )
o برنامه ریزی میان مدت ( تا یک سال )
o برنامه ریزی کوتاه مدت (یک روز تا یک هفته )
o برنامه ریزی لحظه ای ( چند دقیقه تا چند ساعت )
1-3-1) برنامه ریزی دراز مدت ( 30-5 سال )
در برنامه ریزی دراز مدت، با در نظر گرفتن توان و ترکیب و طول عمر نیروگاه های موجود، توانائی شبکه های انتقال و توزیع، قرار دادهای دراز مدت برای تبادل انرژی الکتریکی با شرکت در سیستم به هم پیوسته در مورد نوع و اندازه و محل احداث نیروگاه های جدید نحوه گسترش شبکه ماشین ویا تجدید نظر در قرار دادها تصمیم گیری می شود.
1-3-2) برنامه ریزی میان مدت ( تا یک سال )
در برنامه ریزی میان مدت با در نظر گرفتن توان وترکیب نیروگاه های موجود، میزان ذخیره سوخت، میزان آب ذخیره در مخزن ها، قرار داد شرکا، در مورد نحوه زمان بکارگیری نیروگاه های حرارتی و آبی، تهیه سوخت میزان تبادل انرژی الکتریکی با شرکا، زمانبندی بهینه برای بازرسی و تعمیرات نیروگاهها و شبکه تصمیم گیری می شود.
1-3-3) برنامه ریزی کوتاه مدت(یک روز تا یک هفته )
در برنامه ریزی کوتاه مدت با در نظر گرفتن قیود موجود و محدودیت ها و با استفاده از حداکثر انرژی و توان خریداری شده از شرکا، در مورد در مدار قرار گرفتن بهینه نیروگاه های خودی، به منظور کاستن هزینه سوخت تصمیم گیری می شود.
1-3-4)برنامه ریزی لحظه ای ( چند دقیقه تا چند ساعت )
در برنامه ریزی لحظه ای، توزیع اقتصادی بار در بین نیروگاه های موجود در هوا ونیز کنترل توان – فرکانس مدنظر می باشد. اطلاعات لازم برای انجام برنامه ریزی مرحله ای بهینه در سیستم های قدرت توسط پیش بینی میزان مصرف الکتریکی در زمانبندیهای قید شده در فوق در دسترس قرار می گیرند.
مصرف بار الکتریکی به صورت پیچیده و غیر خطی تابعی از پارامتر های متعددی از جمله شرایط آب وهوائی ( درجه حرارت، مقدار رطوبت، روشنایی هوا، سرعت باد ) می باشد در ضمن هر روز هفته منحنی بار خود را دارد. منحنی های مصرف بار در روزهای تعطیل وغیرتعطیل نیز از یکدیگر متمایز می باشد در فصول مختلف سال نیز با توجه به عوامل مختص هر فصل، نیز طول روز، منحنی مصرف بار تغیر می کند، در طول زمان نیز با توجه به رشد جمعیت، و رشد اقتصادی جامعه، میزان میانگین مصرف بار به مرور افزایش یا بالعکس بر اثر بهینه شدن ابزار الکتریکی و یا اقدامات صرفه جویانه مصرف کنندگان عمده برق، کاهش می یابد. تغییر عادت مصرف کنندگان، بر اثر مدیریت بار از سوی تولید کنندگان انرژی الکتریکی، و یا تغییر ساخت اقتصادی (کشاورزی، صنعتی، تجاری و… ) محل تغذیه ویا در کوتاه مدت عواملی به مانند برنامه های تلویزیونی، نیز بر ساختار اقتصادی بار موثر می باشد.
در مدل سازی برای پیش بینی بار، باید تمامی این عوامل بیان کننده منحنی بار در نظر گرفته شوند اضافه بر آن این مدل ها انتظار می رود که با خطای کم، منحنی بار را پیش بینی نماید.
1-4) عوامل موثر در پیش بینی بار الکتریکی

مهمترین عوامل محیطی موثر بر مصرف بار الکتریکی به صورت دسته بندی شده به شرح ذیل می باشد:
o عوامل اقلیمی
o عوامل اقتصادی
o تاثیر زمان بر بار مصرفی
1-4-1) عوامل اقلیمی
عوامل اقلیمی موجب می شود منحنی مصرف برق مربوط به دستگاه های گرم کننده و سرد کننده تغییر کند. عواملی چون درجه حرارت، رطوبت هوا و سرعت وزش باد از مهمترین عوامل اقلیمی می باشند.
1-4-2) عوامل اقتصادی
عوامل اقتصادی به عنوان مکان برخی صنایع سنگین مانند فولاد و ذوب آهن نوسانات شدید و غیر قابل کنترل دارند. مشخص نبودن ساعت دقیق کارکرد این قبیل صنایع موجب می شود منحنی مصرف آنها شکل تصادفی به خود گیرد. همچنین طوفان، صاعقه، پخش برنامه های خاص تلویزیون که دارای مصرف مشخص نیستند و رویدادهای ورزش را می توان از این قبیل عوامل تصادفی دانست.
1-4-3) تاثیر زمان بر بار مصرفی [?][?]
منحنی تغییرات بار نمایانگر رفتار مصرف کنندگان برق در هر جامعه است. روزهای مختلف هفته را می توان به چهار گروه شنبه، میان هفته، پنج شنبه، جمعه مناسبت های مختلف جشن، عزای عمومی تقسیم نمود که هر یک از نحوی جداگانه بر میزان بار مصرفی در شبکه سراسری اثر می گذارند. شنبه در6 ساعت اول روز( بامداد ) به مناسبت تعطیلی شیفت سوم صنایع با سایر روزها تفاوت دارد و بار کم است.
مناسبت های مذهبی چون بر اساس سال قمری است و به دلیل گردش 11 روز بر روی تقویم شمسی، باعث ایجاد روزهای خاص زیادی در دسته بندی های بر شمرده فوق ایجاد می نماید. ماه رمضان نیز بر شکل منحنی بار اثر می گذارد به نحوی که در هنگام سحر افزایش باری تا 1600 مگاوات و کاهش قله پیک شبانگاهی تا 5 درصد در این ماه پدیدار می شود.
حداقل بار مصرفی در یکی از روزهای عاشورا و یا 13 فروردین که تقریبا تمامی فعالیتهای صنعتی، تجاری، بخش اعظم عمومی و کشاورزی تعطیل است، اتفاق می افتد. مطالعات بار نشان میدهد که پخش برنامه های پربیننده تلویزیون مثل مسابقات مهم ورزش در نیمه ها شب باعث افزایش بار تا حدود 650 مگاوات و به عکس به هنگام اوج مصرف باعث کاهش تا حدود 300 مگاوات از بار مصرفی میگردد. علت عمده این اتفاق به ظاهر غیر عادی تعطیلی سایر فعالیت های برای تماشای برنامه مورد علاقه است. لحظه تحویل سال نو نیز بر حسب زمانی باعث افزایش بار به میزان 600 تا 1400 مگاوات میگردد.
در فصل اول این پروژه، به اهمیت پیش بینی بار در سیستم های قدرت پرداخته شده است.
در فصل دوم با انواع مدلهای پیش بینی از جمله مدل سری زمانی، رگرسیون، مصرف نهائی، شبکه عصبی و فازی آشنا می شویم. با توجه به اینکه پیش بینی بار متداول در شرکت توزیع مازندران با استفاده از روش رگرسیون می باشد، در ادامه با استفاده از نرم افزار SAS به ارائه این مدل جهت پیش بینی بار پرداخته شده است.
با تحلیل مدل برازش شده مشاهده شده است که این مدل قادر به پیش بینی بار روزهای خاص، شامل روزهای تعطیل و نیز روزهای آخر هفته نمی باشد.
در ادامه برای دستیابی به مدل مطلوب به بررسی روش فازی پرداخته شده است. در این راستا ابتدا در فصل سوم به تشریح منطق فازی و روش پیاده سازی برنامه در محیط مطلب اشاره نموده و در فصل چهارم با بهره گیری از اطلاعات سالهای گذشته و نمودار مصرف و لحاظ نمودن تاثیر عوامل محیطی، بار کوتاه مدت استان مازندران را پیش بینی شده است.
2-1) پیش ‌بینی
پیش بینی فرآیند برآورد موقعیت‌های ناشناخته هاست. یک پیش بینی یک پیش گویی در مورد رویدادهای آینده در اختیارمی گذارد و می‌تواند تجارب گذشته را به پیش‌بینی حوادث آینده بدل سازد. در سالهای اخیرپیش بینی، به پیش بینی شیوه طرح تقاضا در کسب وکار روزانه شرکت‌های سازنده تبدیل شده‌است.
1-2) دقت پیش‌بینی
نکته قابل توجه دیگر در پیش‌بینی، دقت پیش‌بینی است. در سال‌های اخیر مطالعات متعددی در زمینه چگونگی ارزیابی دقت پیش بینی صورت گرفته ‌است. خصوصیات محیطی، از قبیل طبیعت متغیر مورد پیش‌بینی، افق پیش‌بینی، ایدئولوژی پیش‌بینی کننده و فناوری مورد استفاده، عوامل مؤثر در دقت پیش بینی هستند.
خطای پیش بینی، اختلاف مقدار واقعی و مقدار پیش بینی شده در پریود متناظر می‌باشد. اگر E خطای پیش بینی در پریودt، Y مقدار حقیقی در پریودt وF مقدار پیش بینی در پریودt باشد، خطای پیش بینی طبق رابطه زیر، برابر است با:
(1-1)Et = Yt – Ft
غالباً شاخص‌هایی برای ارزیابی صحت پیش بینی استفاده می‌شوند.معیارهای خطای پیش بینی هر چه کمتر باشند نمایانگر پیش بینی دقیق تر هستند.
1-3) معیار سنجش خطا در پیش بینی
– میانگین قدر مطلق خطا
– میانگین قدر مطلق درصد خطا
– درصد میانگین قدر مطلق خطاها
– میانگین مربعات خطا
– ریشه میانگین مربعات خطاها
تحقیقات نشان داده‌ است، دقت پیش‌بینی‌های کوتاه‌ مدت بیشتر از بلند مدت است. همچنین رویکردهای سری زمانی دقیق تر از مدل‌های اقتصادسنجی بوده ‌است.
2-4) روشهای پیش بینی
به طور کلی روشهای پیش بینی به دو دسته کلی تقسیم می شوند:
o روش سنتی
o روش مدرن
از جمله روشهای سنتی می توان به روشهای زیر اشاره نمود:
o روش سری زمانی
o روش رگرسیون
o پیش بینی باربا استفاده ازآمارهای مستقل
o روش مصرف نهایی
o روش کاربری ارضی
از جمله روشهای مدرن می توان به روشهای زیر اشاره نمود:
o روش عصبی
o روش فازی
2-4-1) روش سری زمانی
ایده روش سری زمانی بر اساس درک این مطلب است که الگوی بار چیزی نیست بیش از یک سیگنال سری زمانی با پریودهای مشخص روزانه، هفتگی و یا فصلی. این تناوب، یک پیش بینی بار با بی نظمی در هر زمان می دهد که تفاوت بین پیش بینی بار و واقعی را می توان به صورت یک فرایند اتفاقی در نظر گرفت که با آنالیز این سیگنال تصادفی می توان به دقت بیشتری در پیش بینی دست یافت. از جمله مهمترین تکنیکهای که برای آنالیز این سیگنال تصادفی استفاده می شود می توان به فیلتر کالمن، روش باکس -جنکینز، اتورگرسیون، روش فضای حالت و روش تجزیه طیفی اشاره کرد ]11[.
روزانه سوالات بسیاری از رفتارهای آتی پدیده های پیرامون ما مطرح می شود، که پاسخ به آنها بستگی به دانایی و آگاهی کافی از سازوکار رویداد آن پدیده ها دارد. پیش بینی وضع هوا، پیش بینی نرخ سهام، پیش بینی قیمت نفت جهانی و دهها مورد مشابه از جمله سوالات مورد علاقه ما است. در یک نگاه کلاسیک علمی، برای پاسخ دادن به هر یک از موارد یاد شده، لازم است سازوکار رخداد هر یک از پدیده ها و تاثیر هر عامل در رخداد آن به صورت تحلیلی اطلاع کافی داشته باشیم. پر واضح است به دست آوردن این سازوکارها در بسیاری از موارد اگر غیر ممکن نباشد، بسیار دشوار و دست نایافتنی است.
در یک نگاه متفاوت، چنانچه، هر یک از رخدادها به صورت یک دنباله در قالب اعداد و کمیت، مورد بررسی قرار گیرد، می تواند راهکاری برای پیش بینی مقادیر آتی باشد. این دنباله ها، صرفنظر از اینکه مربوط به چه پدیده و برخاسته از چه سازوکار و متاثر از چه عواملی باشند، به نام سری زمانی تحلیل و آنالیز می شوند. البته، ناگفته نماند که بسیاری از مفروضات و اطلاعات موجود در مورد یک پدیده، می تواند در آنالیز سری زمانی مربوط مورد استفاده قرار گیرد. در یک سری زمانی متشکل ازn نمونه
(?-?)
مقادیر آتی، تابعی از مقادیر قبلی خود است.
(?-?)
در مدل های خطی سری زمانی همچون ARMA , MA , AR وARMAX روش های متنوع کلاسیک “تخمین و شناسایی” وجود دارد که می توان مقادیر آتی سری زمانی را بر اساس هر یک از مد های گفته شده مبتنی بر مقادیر قبلی محاسبه کرد. لکن، پیش بینی سری های زمانی که از مدل غیر خطی پیروی می کنند، نیازمند ابزارهای هوشمند و پیشرفته ای مانند شبکه های عصبی است. به طور خلاصه، هدف، یافتن یک “ماشین پیش بینی کننده” است که می تواند با مشاهده مقادیری از یک سری زمانی، مقادیر آتی آن را پیش بینی کند. این روند در شکل (2-1) ارائه شده است.
پیش بینی سری زمانی با تقدم صفر (m=0) به وسیله شبکه عصبیMLP با الگوریتم یادگیری انتشار وارون از چهار روش مختلف تحلیل نمونه های آموزشی مورد بررسی قرار گرفته است. در هر یک از این روشها، یک ماشین پیش بینی (شبکه عصبی) با i ورودی و o خروجی استفاده شده است. این ماشین، قادر است پس از طی مراحل آموزش، با مشاهدهi نمونه از سری زمانی، o نمونه بلافصل آنها را پیش بینی کند.
شکل?-?: ماشینپیش بینی کننده
برای آموزش ماشین (یا شبکه عصبی) یک مجموعه آموزشی باp عضو (هر عضو متشکل از i نمونه) و برای ارزیابی و آزمایش آن یک مجموعه آزمون با q عضو استفاده شده است. در هر مرحله آموزش، خروجی ماشین پیش بینی کننده (یا شبکه عصبی) با مقادیر واقعی نمونه ها مقایسه شده و ضرایب درونی شبکه بر اساس الگوریتم آموزشی مورد نظر اصلاح می وشد. پس از پایان دوره آموزش، مجموعه آزمون به ماشین پیش بینی کننده داده شده و خروجی آن با مقادیر اصلی مقایسه می شود. نتایج مقایسه مقادیر پیش بینی شده به وسیله ماشین و مقادیر اصلی، مواد لازم را جهت محاسبه معیار و در نهایت، ارزیابی پیش بینی را فراهم می کند.
XIنمونه i ام سری زمانیN تعداد کل نمونه های سری زمانیXIنمونه i ام سری زمانی پیش بینی شدهI تعداد ورودی های شبکه عصبیP تعداد عناصر مجموعه آموزشی Oتعداد خروجی های شبکه عصبیQتعداد عناصر مجموعه آزمونYIنمونه i ام از سری زمانی پردازش شده
(?-?)
روش اول
در این روش، مجموعه آموزشی شبکه شاملP عضوi تایی از نمونه های سری زمانی است. هرi نمونه تعدادo نمونه آتی را پیش بینی می کند.
Target
مقادیر واقعیOutput
پیش بینی شبکهTraining Set
نمونه های آموزشی شبکه
……….
.
……….

……..
شکل?-?: نمونه های آموزشی، پیش بینی شده و مقادیر واقعی شبکه
Error
خطاOutput
پیش بینی شبکهTest Set
نمونه های ارزیابی شبکه
……..

……….
شکل?-?: نمونه های ارزیابی وپیش بینی شده
شکل?-?: روش اول پیش بینی
روش دوم
در این روش، مجموعه آموزشی شبکه، همچون روش اول شاملP نمونه است. اولین عضو این مجموعه،i نمونه اول سری زمانی است. در عضو دوم، یک نمونه جدید از مجموعه پیش بینی شده مرحله قبلی اضافه می شود. این روند ادامه مییابد، یعنی در هر عضو جدید، یک نمونه از نمونه های پیش بینی شده قبلی اضافه می شود. مقادیر واقعی در آموزش شبکه، مقادیر اصلی سری زمانی است. پر واضح است در چنین روشی، خطا انباشته شده و پیش بینی به اندازه روش اول دقیق نخواهد بود. در واقع در این روش، آنچه رخ می دهد نه فقط یک پیش بینی، بلکه یک تخیل است.
Target

در این سایت فقط تکه هایی از این مطلب با شماره بندی انتهای صفحه درج می شود که ممکن است هنگام انتقال از فایل ورد به داخل سایت کلمات به هم بریزد یا شکل ها درج نشود

شما می توانید تکه های دیگری از این مطلب را با جستجو در همین سایت بخوانید

ولی برای دانلود فایل اصلی با فرمت ورد حاوی تمامی قسمت ها با منابع کامل

اینجا کلیک کنید

مقادیر واقعیOutput
پیش بینی شبکهTraining Set
نمونه های آموزشی شبکه
………

………

……..
شکل?-?: نمونه های آموزشی، پیش بینی شده و مقادیر واقعی شبکه
Error
خطاOutput
پیش بینی شبکهTest Set
نمونه های ارزیابی شبکه
…….

……….
شکل?-?: نمونه های ارزیابی وپیش بینی شده
شکل?-??: روش دوم پیش بینی
در این روش، با توجه به اینکه نمونه های آموزشی نتیجه پیش بینی مرحله قبل است، در هر مرحله آموزش، مجموعه آموزشی، مقادیر جدیدی خواهد بود، در حالی که مجموعه مقادیر واقعی همواره ثابت و برابر نمونه های اصلی سری زمانی است، لذا، نتایج پیش بینی به مقادیر اولیه خود به شدت حساس است. چنانچه، از طرح شماتیک این روش نمایان است. این روش پیش بینی، یک سیستم بسته است که صرفاً از یک نمونه آزمون اولیه آغاز شده و تا بی نهایت قادر به پیش بینی سلسله وار است. (یعنی برای هر پیش بینی جدید هر بار نیاز به ورودی جدید ندارد.)
روش سوم
در این روش، از یک ماشین پیش بینی (با یک شبکه عصبی) باi ورودی و o خروجی برای پیش بینی “پراکندگی سری زمانی” استفاده شده است. در واقع، قبل از ماشین پیش بینی، یک مرحله پیش پردازش و پس از آن یک مرحله پس پردازش وجود دارد.
شکل?-8:?روش سوم پیش بینی
همان گونه که تاکید شد، در این روش، پراکندگی سری زمانی از متوسط آن مطابق با فرمول زیر پیش بینی می شود.
(?-?)
(?-?)
روش چهارم
در این روش، از یک ماشین پیش بینی (با شبکه عصبی) با i ورودی وo خروجی برای پیش بینی “رشد مقادیر سری زمانی” استفاده شده است. در واقع، همانند روش سوم قبل از ماشین پیش بینی، یک مرحله پیش بینی پردازش و پس از آن، یک مرحله پس پردازش وجود دارد. در این روش، رشد مقادیر سری زمانی در هر مرحله نسبت به مرحله قبل مطابق با فرمول زیر پیش بینی می شود.
(?-?)
(?-?)

2-4-2) روش رگرسیون
روش عمومی در رگرسیون به صورت زیر است:
ابتدا اطلاعات موجود از قبیل نیاز مصرف و درجه حرارت و متغیرها آب وهوائی را انتخاب و جمع آوری می کنیم سپس عناصر وابسته و مستقل را پیدا کرده وبصورت یکی ترکیب خطی در نظر می گیریم وبا استفاده از نرم افزارهای موجود ضرایب آن را بدست می آوریم.
انواع مدلهای رگرسیونی در ذیل آمده است:
الف) رگرسیون خطی
(?-8)(?-?)
(?-??)
??(?-??)(?-??)(?-3?)
(?-??)
ب) رگرسیون نمایی
(?-??)

ج) رگرسیون توانی
(?-??)
د) رگرسیون لگاریتمی
(?-??)

2-4-3) پیش بینی بار با استفاده ازآمارهای مستقل
دراین روش با استفاده ازآمارهای مستقل دیگر نظیر جمعیت، تعداد خانوار تخمینی، وسایل الکتریکی هر خانوار و همچنین اطلاعاتی درمورد رشدمشترکین و سطح درآمدی آنها، رشد سرانه مصرف و طرح های جامع شهرسازی می توان بار آینده را پیش بینی نمود. برخی از روشهایی که با استفاده ازاطلاعات فوق پیش بینی بار را انجام می دهند عبارتند از:
o روش مصرف نهایی(End Use)
o روش کاربری ارضی (Land Use)
که در ادامه به بررسی آنها می پردازیم:
2-4-4) روش مصرف نهایی
در این روش،پیش بینی بار براساس انرژی مصرفی وسایل الکتریکی موجود صورت می گیرد وطی سه مرحله اساسی زیر پیش بینی انجام می شود:
o پیش بینی رشد
o تحلیل توسعه
o تحلیل مصرف
درقدم اول که بحث پیش بینی رشد مطرح می گردد، تعداد واحدهای مصرف کننده انرژی ونوع وسایل و لوازم مصرفی آنها مورد بررسی قرار گرفته و با توجه به میزان رشد خرید وسایل الکتریکی و میزان رشد مصرف انرژی، درقدمهای بعدی یعنی تحلیل مصرف، بار کل منطقه برآورد خواهد شد.
در روش مصرف نهایی مراحل کار را می توان بصورت زیر خلاصه بیان کرد:
o پیش بینی نرخ رشد تشکیل خانوار
o جمع آوری اطلاعات وسایل الکتریکی فروخته شده درسالهای گذشته و فعلی
o پیش بینی پتانسیل وسایل الکتریکی جدید
o پیش بینی رشد جمعیت
o تعیین کیلووات مصرفی هر وسیله
o پیش بینی راندمان وسایل الکتریکی
o پیش بینی بار کل منطقه از روی بار برآوردشده برای منطقه
2-4-5) روش کاربری ارضی
اصول کلی این روش مبتنی برجمع آوری اطلاعات مورد نیاز ازسطح هر منطقه از شهرمی باشد. دراین روش بعد از تقسیم بندی نواحی، پیش بینی براساس میزان مصرف،متوسط نوع مصرف و همچنین چگالی بار مصرفی صورت خواهد پذیرفت.
معمولا در هر ناحیه کاربری های متفاوتی وجود دارد که با توجه به نوع این کاربریها ومساحت اشغالی آنها پیش بینی باربرای نواحی انجام میشود. مراحل کار بدین صورت می باشد که ابتدا درهرناحیه کوچک انواع کاربری هاومساحت آنها مشخص می شودکه البته انجام همین عمل بسیار زمان برمی باشد،سپس پیش بینی بار برای هرکدام ازاین نواحی کوچک بدست می آید.دراین مرحله با استفاده از روشهای مختلف می توان پیش بینی بار را انجام دادکه باتوجه به نوع روش بکاربرده شده،روش کاربری ارضی می تواند به شاخه های مختلفی تقسیم شود.
پارامترهایی که در پیش بینی بار روش کاربری ارضی باید مورد توجه قرار گیرند عبارتنداز:
o چگالی بار
o رشد بار
o تقسیم بندی نواحی
به طورکلی با توجه به نوع اطلاعات در روش کاربری ارضی مانند طرحهای شهرسازی وعمرانی،این روش بیشتر برای پیش بینی بلند مدت بکارمی رود و کمتر در دوره های میان مدت وکوتاه مدت کاربرد خواهد داشت. نتایج حاصله از برآورد بار بااستفاده ازاین روش می تواند در طراحی شبکه های توزیع درسطح یک شهر یا منطقه درسالهای آینده بسیارمفیدباشد.امروزه استفادهازاین روش باتوجه به رشد دانش شهرسازی وهمچنین افزایش دقت دربرآوردهای اقتصادی، به طور روز افزون رو به افزایش است.
در سال های اخیر کاربرد روش های مدرن هوش مصنوعی نظیر شبکه های عصبی و سیستم های خبره فازی به منظور پیش بینی بار بسیار مور توجه قرار گرفته است.
2-4-6) روش عصبی
بلوک ساختمانی اصلی کلیه مغزهای موجودات زنده، سلولی عصبی یا نرون می باشند هر نرون به صورت یک واحد پردازشگر عمل می کند در واقع مغز مجموعه ای است از چندین میلیون از این واحدهای پردازشگر که به صورت بسیار پیچیده ای به هم مرتطبتند و به صورت موازی عمل می کنند. در مغز هر نرون مقادیر ورودی را از دیگر نرونها می گیرد به تابع انتقال اعمال می کند و خروجی اش را به لایه بعدی از نرونها می فرستد. این نرونها به نوبت خروجیها را به دیگر لایه ها می فرستند. به روش مشابه شبکه های عصبی مصنوعی از چند صد یا چندین هزار واحد پردازشگر ساده تشکیل شده اند که به صورت موازی به هم مرتبطبند و در چندین لایه به دنبال هم هستند.
یک شبکه عصبی مصنوعی یک سیستم پردازش اطلاعات است که مشخصات کاری آن مشابه شبکه های عصبی طبیعی است شبکه های عصبی مصنوعی بر اساس تعمیم مدل ریاضی نرونهای طبیعی بر اساس فرضیات زیر بوجود آمده اند.
o پردازش اطلاعات در عناصر کوچک وساده ای به نام نرون صورت می گیرد.

دسته بندی : پایان نامه ها

پاسخ دهید