فصل دوم پایان نامه پیش بینی تقاضای برق با داده کاوی (docx) 1 صفحه
دسته بندی : تحقیق
نوع فایل : Word (.docx) ( قابل ویرایش و آماده پرینت )
تعداد صفحات: 1 صفحه
قسمتی از متن Word (.docx) :
دانشکدهی آموزشهای الکترونیکی
پاياننامه دوره کارشناسي ارشد در رشتهی مهندسي فناوري اطلاعات (تجارت الکترونیک)
تحلیل و پیشبینی رفتار مصرف برق مشترکین با استفاده از تکنیکهای دادهکاوی
(مطالعه موردی: شرکت توزیع نیروی برق آذربایجان غربی)
به کوشش:
احسان خسرویفر
استاد راهنما:
دکتر بهروز مینایی
تیر 1392
تقدیم به:
با درود به روح بزرگ پدرم و بوسه بر دستان مادرم،
این رساله را به همسرعزیزم ...
که سایه مهربانیش سایهسار زندگیم میباشد، او که اسوه صبر و تحمل بوده و در لحظه لحظههای اجرای این کار تحقیقی، یار و همراهم بود،
تقدیم مینمایم.
سپاسگزاری
سپاس خدای را که سخنوران، در ستودن او بمانند و شمارندگان، شمردن نعمتهای او ندانند و کوشندگان، حق او را گزاردن نتوانند. و سلام و دورد بر محمّد و خاندان پاك او، طاهران معصوم، هم آنان که وجودمان وامدار وجودشان است؛ و نفرين پيوسته بر دشمنان ايشان تا روز رستاخيز . . .
بدون شک جایگاه و منزلت معلم، اجّل از آن است که در مقام قدردانی از زحمات بیشائبهی او، با زبان قاصر و دست ناتوان، چیزی بنگاریم.
اما از آنجایی که تجلیل از معلم، سپاس از انسانی است که هدف و غایت آفرینش را تامین میکند و سلامت امانتهایی را که به دستش سپردهاند، تضمین؛ بر حسب وظیفه و از باب "من لم یشکر المنعم من المخلوقین لم یشکر اللَّه عزّ و جلّ"
از پدر و مادر عزیزم ... این دو معلم بزرگوارم ... که همواره بر کوتاهی و درشتی من، قلم عفو کشیده و کریمانه از کنار غفلتهایم گذشتهاند و در تمام عرصههای زندگی یار و یاوری بیچشمداشت برای من بودهاند؛
از استاد گرامی و بزرگوار، جناب آقای دکتر مینایی که در کمال سعهصدر، با حسنخلق و فروتنی، از هیچ کمکی در این عرصه بر من دریغ ننمودند و زحمت راهنمایی این رساله را بر عهده گرفتند، نهایت تشکر و سپاسگزاری را دارم.
همچنین از اساتید محترم جناب آقای دکتر اقبال منصوری و دکتر محمدهادی صدرالدینی به خاطر راهنماییها و کمکهای ارزندهشان صمیمانه سپاسگزاری مینمایم.
باشد که این خردترین، بخشی از زحمات آنان را سپاس گوید .
چکیده
تحلیل و پیشبینی رفتار مصرف برق مشترکین با استفاده از تکنیکهای دادهکاوی (مطالعه موردی: شرکت توزیع نیروی برق آذربایجان غربی)
به کوشش
احسان خسرویفر
در عصر حاضر به جرات میتوان گفت بشر برای انجام فعالیتهای روزمره و افزایش رفاه زندگی خود، بیش از هر انرژی دیگر از انرژی الکتریکی بهره میبرد. با توجه به مشکل ذخیرهسازی انرژی الکتریکی، پیشبینی میزان بار مورد نیاز به منظور داشتن یک شبکه توزیع برق مطمئن و پایدار حیاتی است. مشترکین برق یکی از اصلیترین ارکان زنجیره عرضه برق میباشند. هدف این تحقیق پیشبینی برق مصرفی مشترکین و تحلیل رفتار مصرفی آنها تحت تاثیر عوامل آبوهوایی و متغیرهای زمانی میباشد. در صورت داشتن یک پیشبینی مناسب و دقیق میتوان از هدررفت منابع مالی ناشی از افزایش هزینههای عملیاتی جلوگیری نمود. از سوی دیگر، با توجه به حجم انبوه دادههای مصرف مشترکین و عوامل موثر، تنها میتوان با استفاده از ابزارهای نوین فنآوری اطلاعات همچون دادهکاوی به تجزیهوتحلیل دادهها پرداخت. ابزار دادهکاوی به استخراج الگوها و دانش پنهان از دادهها جهت یک پیشبینی درست میپردازد.
در این تحقیق، به بررسی و پیشبینی میزان مصرف برق مشترکین شرکت توزیع نیروی برق آذربایجان غربی میپردازیم. برای این منظور و با در اختیار داشتن دادههای مصرفی 5595 مشترک طی 12 دوره دوماهه، الگوریتمهای پیشبینی کننده همچون CHAID، C&R،Regression ،Neural Networks را بر روی دادههای موجود اجرا نموده و نتایج حاصل از اجرای هر الگوریتم بر اساس معیارهای ارزیابی خطای پیشبینی مانند میانگین درصد قدرمطلق خطا مورد بررسی و مقایسه قرار گرفت. نیز با خوشهبندی مشترکین با استفاده از الگوریتم Kohonen به بررسی رفتار مصرفی آنها پرداخته شد. در نهایت، به نتیجهگیری و ارائه پیشنهادات پرداختیم.
کلمات کلیدی: پیشبینی، مصرف برق، مشترک، دادهکاوی، دستهبندی، رگرسیون، خوشهبندی
فهرست
عنوان صفحه
فصل اول: مقدمه و طرح مسئله
1-1- مقدمه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1
1-2- بیان مسئله تحقیق . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1-3- ضرورت و اهداف تحقیق . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3
1-4- جنبه جدید بودن و نوآوری تحقیق . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1-5- ساختار پایاننامه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
فصل دوم: مبانی نظری تحقیق
2-1- مقدمه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2-2- انرژی الکتریکی و اهمیت آن . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2-3- ویژگیهای انرژی الکتریکی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2-4- تاریخچه صنعت برق در جهان و ایران . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2-5- زنجیرهی عرضهی برق . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15
2-5-1 تولید . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .. . . .16
عنوان صفحه
2-5-2- انتقال . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
2-5-3- توزیع . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .16
2-5-3-1- مصرف برق در ایران و جهان . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2-5-3-2- مشترک . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2-5-3-2-1- مشترکین بخش خانگی . . . . . . . . . . . . . . . . . . . . . 18
2-5-3-2-2- مشترکین بخش تجاری . . . . . . . . . . . . . . . . . . . . . .19
2-5-3-2-3- مشترکین بخش صنعت . . . . . . . . . . . . . . . . . . . . . .19
2-5-3-2-4- مشترکین بخش عمومی . . . . . . . . . . . . . . . . . . . .. . 19
2-5-3-2-5- مشترکین بخش حملونقل . . . . . . . . . . . . . . . . . . . 20
2-5-3-2-6- مشترکین بخش کشاورزی . . . . . . . . . . . . . . . . . . . .20
2-6 مطالعه و پیشبینی بار . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .22
2-6-1- الگوی مصرف . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .23
2-6-2- پیشبینی مصرف . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .23
2-6-3- عوامل موثر بر مصرف برق . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .24
2-6-3-1- شرایط آبوهوایی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2-6-3-2- متغیرهای زمانی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .26
2-6-3-3- ویژگیهای محل اقامت مشترک . . . . . . . . . . . . . . . . . . . . . . . . . 27
2-7- دادهکاوی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2-7-1- اهداف دادهکاوی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2-7-2- روشهای دادهکاوی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .30
2-7-2-1- دستهبندی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
عنوان صفحه
2-7-2-2- خوشهبندی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .31
2-7-2-3- تحلیل وابستگی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .31
2-7-3- فرآیند دادهکاوی ( مدل CRISP-DM ) . . . . . . . . . . . . . . . . . . . . . . . . . .32
2-8- چکیده فصل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .34
فصل سوم: مروری بر ادبیات تحقیق
3-1- پیشینه تحقیق . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
3-2- چکیده فصل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .41
فصل چهارم: روش تحقیق
4-1- مقدمه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4-2- فرآیند دادهکاوی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .44
4-3- استاندارد CRISP-DM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 44
4-3-1- مرحله درک تجاری . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4-3-2- مرحله درک دادهها . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .46
4-3-3- مرحله پیشپردازش دادهها . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .50
4-3-4- مرحله ساختن مدل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .53
4-3-4-1- الگوریتم C&R . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4-3-4-2- الگوریتم CHAID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4-3-4-3- الگوریتم رگرسیون خطی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4-3-4-4- الگوریتم شبکه عصبی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4-3-4-5- الگوریتم کوهونن . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .58
عنوان صفحه
4-3-5- مرحله ارزیابی مدل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4-3-6- بکارگیری مدل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .61
4-4- چکیده فصل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .62
فصل پنجم: نتایج و ارزیابی
5-1- مقدمه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
5-2- نتایج . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5-2-1- نتایج حاصل از پیشبینی مصرف برق مشترکین با در نظر گرفتن "تعطیلات" به عنوان عامل موثر . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
5-2-2- نتایج حاصل از پیشبینی مصرف برق مشترکین با در نظر گرفتن "میانگین ارتفاع سقف ابر" به عنوان عامل موثر . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .66
5-2-3- نتایج حاصل از پیشبینی مصرف برق مشترکین با در نظر گرفتن "کمینه دما و بیشینه دمای موثر" به عنوان عوامل موثر . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .67
5-2-4- نتایج حاصل از پیشبینی مصرف برق مشترکین با در نظر گرفتن "تعطیلات، میانگین ارتفاع سقف ابر، کمینه دما و بیشینه دمای موثر" به عنوان عوامل موثر . . . . . . . . .68
5-2-5- مقایسه عملکرد حالتهای مختلف بر اساس معیار ارزیابی میانگین درصد قدرمطلق خطا . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
5-2-6- خوشهبندی رفتار مصرفی مشترکین برق با در نظر گرفتن عوامل موثر . . . . . . .72
5-3- چکیده فصل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .76
فصل ششم: نتیجهگیری و پیشنهادات
6-1- مقدمه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .77
6-2- یافتههای تحقیق . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .78
6-3- پیشنهاد برای تحقیقات آتی. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 81
منابع . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
فهرست جدولها
عنوان و شماره صفحه
جدول 4-1- اطلاعات کارکرد مشترکین . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .46
جدول 4-2- اطلاعات هواشناسی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .48
جدول 5-1- پیشبینی مصرف برق مشترکین با عامل "تعطیلات" . . . . . . . . . . . . . . . . . . .65
جدول 5-2- پیشبینی مصرف برق مشترکین با عامل "میانگین ارتفاع سقف ابر" . . . . . . . .66
جدول 5-3- پیشبینی مصرف برق مشترکین با عوامل "کمینه دما و بیشینه دمای موثر" . 67
جدول 5-4- پیشبینی مصرف برق مشترکین با عوامل "تعطیلات، میانگین ارتفاع سقف ابر، کمینه دما و بیشینه دمای موثر " . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
جدول 5-5- خوشههای رفتاری مشترکین برق . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
فهرست شکلها
عنوان صفحه
شکل 2-1- نمودار مصرف برق در جهان در طی سالهای 2000-20009 . . . . . . . . . . . . .17
شکل 2-2- نمودار مصرف برق در ایران در طی سالهای 1383-1389 . . . . . . . . . . . . . . .18
شکل 2-3- درصد انرژی برق مصرفی کشور به تفکیک بخشهای مختلف در سال 1389. . .21
شکل 2-4- درصد مشترکین بخشهای مختلف در سال 1389 . . . . . . . . . . . . . . . . . . . . .21
شکل 2-5- درصد انرژی مصرفی استان آذربایجان غربی به تفکیک بخشهای مختلف در سال 1389 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .21
شکل 2-6- درصد مشترکین بخشهای مختلف استان آذربایجان غربی در سال 1389 . . . .21
شکل 2-7- دادهکاوی به عنوان یک مرحله از فرآیند کشف دانش . . . . . . . . . . . . . . . . . . .29
شکل 2-8- مراحل مدل مرجع فرآیند دادهکاوی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .33
شکل 4-1- ساختار شبکه کوهونن . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .58
شکل 5-1- مقایسه الگوریتمها در پیشبینی مصرف برق مشترکین با عامل "تعطیلات" . . 65
شکل 5-2- مقایسه الگوریتمها در پیشبینی مصرف برق مشترکین با عامل "میانگین ارتفاع سقف ابر" . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
شکل 5-3- مقایسه الگوریتمها در پیشبینی مصرف برق مشترکین با عوامل "کمینه دما و بیشینه دمای موثر" . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
شکل 5-4- مقایسه الگوریتمها در پیشبینی مصرف برق مشترکین با عوامل "تعطیلات، میانگین ارتفاع سقف ابر، کمینه دما و بیشینه دمای موثر " . . . . . . . . . . . . . . . . . . . . . . 69
شکل 5-5- قسمتی از درخت تصمیم ایجاد شده توسط مدل Kohonen-CHAID . . . . . 70
شکل 5-6- مقادیر میانگین مصرف واقعی و پیشبینی شده توسط مدل Kohonen-CHAID . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
شکل 5-7- عملکرد حالتهای مختلف بر اساس معیار ارزیابی میانگین درصد قدرمطلق خطا . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
کلمات اختصاری
Co2 Carbon dioxide
GDP Gross Domestic Product
NI National Income
IEA International Energy Agency
LTF Long-Term Load Forecasting
MTLF Medium-Term Load Forecasting
STLF Short-Term Load Forecasting
CRISP-DM Cross Industry Standard Process for Data Mining
CI Computational Intelligence
C&R Classification & Regression
CHAID Chi-squared Automatic Interaction Detection
SOM Self-Organizing Map
MSE Mean-Square Error
RMSE Root-Mean-Square Error
MAE Mean Absolute Error
MAPE Mean Absolute Percentage Error
فصل اول: مقدمه و طرح مسئله
1-1- مقدمه
انرژي به طور عام و انرژي الکتریکی به صورت خاص، از ارکان مهم رشد و توسعه اقتصادي جوامع میباشد. صنعت برق در اقتصاد ملی و تامین رفاه اقتصادی و اجتماعی کشورها ارزش زیادی دارد و جزء صنایع مهم زیربنایی است. اصولا انرژی الکتریکی تمیزترین و بهترین نوع انرژی است که به آسانی میتوان آن را به هر نقطهای انتقال داد.
تأمین انرژی الکتریکی همواره یکی از نیازهای جوامع پیشرفته کنونی بوده است. با توجه به پیشرفتهای صورت گرفته در حالحاضر تقریبا اکثر فعالیتهای روزمرهی تجاری، پزشکی، صنعتی و ... با استفاده از این انرژی صورت میگیرد. با در نظر گرفتن رشد سریع جوامع، نیاز به تأمین انرژی برق هر چه بیشتر احساس میگردد.
یکی از مسائلی که در این رابطه حتماً باید مدنظر قرار گیرد، زمانبر و هزینهبر بودن ساخت تأسیسات بزرگ تولید و انتقال انرژی الکتریکی میباشد. همین امر لزوم پیشبینی میزان انرژی الکتریکی مورد نیاز در دورههای بعدی را هر چه بیشتر مشخص میکند. بنابراین برای داشتن یک شبکهی قابل اطمینان باید یک دید کلی از مصرف انرژی در دورههای مصرف بعدی داشت و با توجه به آن برنامهریزی ساخت و نصب تجهیزات گوناگون شبکههای تولید، انتقال و توزیع را انجام داد. در این راستا مسألهی برآورد انرژی الکتریکی از اهمیت بالایی برخوردار میباشد که دقیقتر بودن آن به معنی استفاده بهتر از امکانات و جلوگیری از به هدر رفتن سرمایه میباشد .
در ايران نيز با توجه به نيازهاي روزافزون كشور به انرژي و رشد سريع مصرف انرژي، بخصوص انرژي الكتريكي، نياز به مديريت و برنامهريزي مناسب در جهت تامين اين انرژي براي مشتركين از اهميت بالايي برخوردار خواهد بود.
از سوي ديگر با توجه به تاثیر عوامل متعدد و پیچیده بر میزان مصرف انرژی الکتریکی، شناخت این عوامل و بررسی میزان تاثیر هر گروه از عوامل میتواند در تدوین الگوهای مصرف مطلوب کارا باشد. استفاده از روشهای آماری سنتی با توجه به حجم عظیم اطلاعات کارکرد مشترکین و تعدد عوامل موثر بر مصرف در زمینه برآورد انرژی الکتریکی مورد نیاز بسیار دشوار میباشد، بنابراین ابزارهای نوین فنآوری اطلاعات همچون پایگاه داده و دادهکاوی میتواند با پیشبینی دقیق میزان مصرف برق و استخراج الگوها و دانش پنهان در اطلاعات مصرفی مشترکین راهکار مناسبی در زمینهی مدیریت مصرف انرژی الکتریکی باشد.
1-2- بیان مسئله تحقیق
امروزه اهمیت انرژی بر هیچ کسی پوشیده نیست. انرژی در حیات جوامع، نقش زیربنائی را ایفا میکند و به عنوان عامل اصلی هرگونه فعالیتی به شمار میرود. يكي از ويژگيهاي دنياي امروز ، استفاده گسترده از انرژي الكتريكي است. انرژی الکتریکی ما را قادر به استفاده از لوازم الکتریکی از جمله لوازم خانگی، رایانهها، تجهیزات مخابراتی، پزشکی و حملونقل، و همهی آنچه که کیفیت زندگی را افزایش میدهد، میسازد؛ مسلما بسیاری از این لوازم، در زندگی روزمره ضروری و حیاتی میباشند ]6[.
سهولت تبدیل انرژی الکتریکی به سایر انواع انرژی و امکان انتقال سریع آن به نقاط مختلف بر اهمیت استفاده از آن در دنیای مدرن امروزی افزوده وآن را به مهمترین منبع تامین انرژی تبدیل کرده است. این امر موجب گستردگی و مقبولیت استفاده از برق در مصارفی همچون خانگی، تجاری، صنعتی، کشاورزی و سایر مصارف گردیده است. بنابراین سهم و میزان مصرف برق هر یک از بخشهای مصرفکننده از اهمیت ویژهای برخوردار است ]1[. در سراسر جهان، مشترکین خانگی درصد قابل توجهی از مصرف برق را به خود اختصاص میدهند ]7[. در سال 1390، بخش خانگی 9/30% از کل انرژی برق کشور را مصرف نموده و بعد از بخش صنعت در رتبه دوم مصرف انرژی الکتریکی قرار گرفته است ]5[
علیرغم مزایای فراوان، توانایی ذخیرهسازی انرژی الکتریکی وجود ندارد، لذا شناسایی الگوی مستمر عرضه و تقاضا و پیشبینی میزان برق مصرفی مشترکین برای تامین انرژی الکتریکی با قابلیت اطمینان بالا، امری ضروری است ]8[. مصرف انرژی الکتریکی تحت تاثیر عوامل متعددی قرار دارد که از آن جمله میتوان به شرایط آبوهوایی، متغیرهای اقتصادی-اجتماعی، جمعیت، قیمت برق، دورههای تعطیلات و ... اشاره کرد.
بنابراین شناخت الگوهای رفتاری مصرف برق مشترکین برای اتخاذ سیاستهای مناسب به منظور مدیریت پایدار در شبکه برق امری مهم و ضروری است. با توجه به میزان مصرف بالای انرژی الکتریکی در بخش خانگی، پیشبینی صحیح تقاضای انرژی الکتریکی مشترکین خانگی یکی از جنبههای مهم در مدیریت شبکه برق میباشد ]9[. استخراج الگوها و دانش پنهان در اطلاعات مصرفی مشترکین برق و پیشبینی میزان مصرف با توجه به عوامل تاثیرگذار، میتواند برای هر یک از شرکتهای تولید، انتقال و مدیریت توزیع برق کارا باشد. تجزیه و تحلیل دادههای انبوه از مصرف برق مشترکین با استفاده از روشهای آماری سنتی، برای این منظور کارآمد نبوده و به نظر میرسد استفاده از تکنیکهای دادهکاوی میتواند ابزاری راهگشا در جهت پیشبینی و شناخت الگوهای پنهان رفتاری مصرف برق مشترکین باشد]10[.
1-3- ضرورت و اهداف تحقیق
با توسعه سریع اقتصادی و بهبود استاندارد زندگی مردم، تقاضای برق به سرعت در حال رشد است، که این امر نیاز شدید به طرحهای مدیریت منابع برق را ایجاد میکند ]11[. در بازار رقابتی برق، هر یک از شرکتهای توزیع خواهان شناسایی دقیق رفتار مصرف برق مشترکین خود به منظور ارائه خدمات رضایتبخش با حداقل هزینه و داشتن یک سود عادلانه است]12[.
مشترکین برق با الگوهای رفتاری خاص به شبکه برق متصل میشوند. استفاده همزمان مشترکین از وسایل سرمایشی و گرمایشی در فصول مختلف سال و نیز همزمانی انواع مصارف خانگی، روشنایی، عمومی، تجاری، کشاورزی و صنعتی رفتارهای تناوبی مصرف برق را شکل میدهند. از طرفی نیز میزان مصرف مشترکین از عوامل مختلف تاثیر میپذیرند که از جمله عوامل موثر در کوتاهمدت میتوان به شرایط محیطی نظیر دما، رطوبت، پوشش ابر، سرعت باد و ...، و معیارهای زمانی مانند ساعت، روز، هفته، ماه رمضان، تعطیلات جشن و عزا و لحظهی تحویل سال اشاره کرد. اما در بلندمدت عوامل اقتصادی و جمعیتی نیز تاثیر قابل ملاحظهای بر روند مصرف دارند ]1[. بنابراین، تجزیهوتحلیل الگوی مصرف برق مشترکین و برآورد میزان انرژی مصرفی با در نظر گرفتن معیارهای محیطی و زمانی، میبایست از اولویتهای اساسی شرکتهای برق در نظر گرفته شود.
در کشورهای توسعهیافته و در حال توسعه، مدلسازی و پیشبینی مصرف برق نقش حیاتی برای سیاستگذاران و سازمانهای مربوطه دارد. برآورد کمتر از مصرف منجر به قطعیهای بالقوه خواهد شد که این خود نیز باعث ایجاد خلل در زندگی و اقتصاد میگردد. از طرفی دیگر برآورد بیش از نیاز منجر به ایجاد ظرفیتهای غیرضروری خواهد شد که این به معنی منابع مالی هدر رفته است. بنابراین، به منظور جلوگیری از اشتباهات پرهزینه، بهتر است که مصرف انرژی برق را با دقت خوب مدل کرد. تنوع و پیچیدگی در الگوی مصرف برق که ناشی از عوامل متعدد تاثیرگذار بر آن میباشد، منجر به گسترش مدلهای پیچیده شده است. لذا، بهتر است از مدلهایی استفاده شود که بتواند با ویژگی غیرخطی میان متغیرها به عنوان ماهیت مورد انتظار از دادههای مصرف انرژی کار کند ]13[. با توجه به تغییرات مختلف فصلی و ماهانه در مصرف برق و مشکلات در مدلسازی آن با روشهای مرسوم، استفاده از روشهای دادهکاوی مناسبتر به نظر میرسد ]14[.
دلایل قابل توجه دیگری وجود دارد که ضرورت پژوهش در زمینه پیشبینی مصرف برق را نشان میدهد. یکی از این دلایل انتشار گازهای گلخانهای ( دیاکسیدکربن ) است ]15[. بیش از 96% از برق تولید شده در ایران با استفاده از سوختهای فسیلی است که این امر منجر به انتشار حدود 118 میلیون تن گاز CO2 در سال 2009 شده است ]16[. بنابراین به عنوان یکی از راهکارهای کاهش آلودگی هوا، بررسی و شناخت الگوی مصرف مشترکین برق و اتخاذ سیاستهای متناسب با این الگوها میتواند موثر و کارا باشد.
از سوی دیگر، تبادل انرژی الکتریکی میان کشورها، ضمن افزایش بهرهوری موجب دسترسی به بازارها و مراکز جدید مصرف شده، افزایش پایداری و ضریب اطمینان شبکه سراسری را تضمین میکند، و همچنین منجر به استفاده از امکانات کشورهای متعامل در جهت تامین ظرفیت برق و در نتیجه صرفهجویی در سرمایهگذاری و کاهش اعتبارات مورد نیاز برای ایجاد این ظرفیت میگردد. استفاده از مدلهای پیشبینی کنندهی دقیق یک ابزار کلیدی در افزایش تبادل برق میباشد، بهطوری که با بررسی جامع الگوی مصرف مشترکین برق، مبادلات انرژی الکتریکی بسیار مفید و پرسود گردد.
هدف از این تحقیق، پیشبینی میزان مصرف مشترکین برق از طریق بررسی عوامل موثر بر آن و در صورت امکان ارائه الگوی مصرف این مشترکین میباشد. با انجام این پژوهش میتوان به اهداف زیر دست یافت:
شناسایی عوامل تاثیرگذار بر مصرف برق مشترکین و میزان تاثیر آنها.
پیشبینی میزان کارکرد مشترکین با استفاده از الگوریتمهای پیشبینی (ردهبندی) در دورههای آتی.
استفاده از این پیشبینی به منظور کاهش دفعات قرائت کنتور.
خوشهبندی مشترکین بر اساس رفتار مصرفی برق آنها و تحلیل رفتار هر خوشه.
شناسایی میزان تاثیر هر خوشه رفتاری مشترکین بر میزان مصرف کلی.
مطالعات امکانسنجی صرفهجویی انرژی در خوشههای مختلف و اتخاذ سیاستهای متناسب با هر خوشه از جمله ایجاد آییننامه مشترکین و تعرفهها و تبلیغات فراخور.
ایجاد طرح مدیریت پایدار عرضه برق در شبکه.
افزایش نرخ بازگشت سرمایه با کاهش هزینههای ناشی از برآوردهای با دقت پایین از مصرف انرژی.
1-4- جنبه جدید بودن و نوآوری تحقیق
پیشبینی تقاضای برق به عنوان یکی از مهمترین چالشها در مدیریت زنجیره عرضه و تقاضای برق شناخته شده است. الگوی مصرف برق تحت تاثیر برخی از عوامل اجتماعی، اقتصادی و زیست محیطی قرار دارد و در نتیجه این الگو تغییرات پیچیده فصلی، ماهیانه، روزانه و ساعتی را تشکیل میدهد ]8[.
تحقیق در زمینه پیشبینی میزان مصرف انرژی الکتریکی، در سالهای اخیر، توجه گستردهای را به خود جلب کرده است. چندین روش و تکنیک عمده ارائه و توسعه داده شده است، از جمله مدلهای سری زمانی، مدلهای رگرسیون، تابع انتقال باکس جنکینز ، مدلهای سیستم خبره، مدلهای شبکه عصبی و منطق فازی ]8[. بیشتر پژوهشهای انجام گرفته، به پیشبینی میزان برق مصرفی کلی (کشور) در دروههای آتی بر اساس دادههای مصرفی گذشته و با در نظرگرفتن عوامل اقتصادی و جمعیتی پرداختهاند. و بهصورت محدودتر مدلهایی با در نظر گرفتن عوامل آبوهوایی و زیست محیطی و متغیرهای زمانی ارایه شده است. از جمله، چینگ لای به بررسی تاثیر متغیرهای آبوهوایی بر میزان تقاضای ماهیانه برق در انگلستان و ولز کرد. یک مدل رگرسیون چندگانه برای پیشبینی تقاضای ماهیانه برق بر اساس متغیرهای آبوهوایی، تولید ناخالص داخلی، و رشد جمعیت توسعه داده شد ]8[.
نکته قابل توجه این است که تمامی کارهای انجام یافته از منظر مصرف کلی برق ( کشور) در دورههای زمانی مختلف اعم از سال، ماه و ساعت بدون در نظر گرفتن الگوهای رفتار مشترکین پرداختهاند. برخلاف سایر مطالعات این پژوهش رفتار مصرفی مشترکین خانگی را تحت تاثیر عوامل آبوهوایی و متغیرهای زمانی، با استفاده از ابزارها و تکنیکهای نوین اطلاعاتی همچون دادهکاوی، مورد تحلیل قرار داده و با کشف الگوهای پنهان به پیشبینی میزان مصرف برق مشترکین در دورههای آتی میپردازد. مسلم است که با استفاده از الگوهای استخراجی مصرف برق مشترکین، به منظور بهینهسازی و حفظ تعادل عرضه و مصرف انرژی برق اقدامات لازم و جامع را هدفمندتر انجام داد.
1-5- ساختار پایاننامه
در این تحقیق، در نخستین قدم، به شرح مقدمهای کوتاه از پیشبینی مصرف برق و شناخت الگوی مصرف مشترکین، اهمیت و ضرورت پرداختن به آن، و اهداف مورد نظر پرداخته شده است.
در فصل دوم، مفاهیم پیشزمینه و نظری مربوط به صنعت برق مورد بررسی قرار میگیرد. پس از مطالعه منابع موضوع و روشن شدن نیاز موجود به تحلیل الگوی مصرف و پیشبینی بار، اقدام به بررسی و شناسایی عوامل موثر در میزان مصرف برق مشترکین، مینماییم و بدین ترتیب بخش اول از فصل دوم تکمیل میگردد، پس از آن به دلیل استفاده از ابزار دادهکاوی برای پیشبینی مصرف، در بخش دوم این فصل به معرفی تکنیک دادهکاوی و اهداف آن میپردازیم.
در فصل سوم، مروری بر ادبیات گذشته و بررسی مطالعات و پژوهشهای صورت گرفته در خصوص پیشبینی مصرف انرژی برق خواهیم داشت.
در فصل چهارم، فرآیند دادهکاوی بر روی دادههای موجود که شامل دادههای مصرفی مشترکین شرکت توزیع نیروی برق آذربایجانغربی طی 15 دوره از سال 1389 تا سال 1392 و نیز اطلاعات هواشناسی ارومیه طی این مدت زمان به عنوان عامل موثر بر مصرف برق بوده، با هدف پیشبینی میزان مصرف و استخراج الگوهای رفتاری مصرف برق مشترکین با در نظر گرفتن عوامل موثر اجرا شده و نحوه اجرای هر مرحله به صورت گام به گام شرح داده شده است.
در فصل پنجم، نتایج حاصل از بکارگیری روشهای شرح داده شده در فصل چهارم، در قالب جداول و نمودارها ارائه شده و این نتایج ارزیابی و تحلیل شدهاند.
در فصل ششم، نتایجی که در طول پژوهش به دست آمدهاند، در بخش نتیجهگیری فهرست شدهاند و پیشنهاداتی برای پژوهشهای آینده ارائه شده است.
فصل دوم: مبانی نظری تحقیق
2-1- مقدمه
در سالیان اخیر، با توجه به اینکه انرژی الکتریکی در تمام سطوح زندگی بشر نقش اساسی ایفا میکند، دارای اهمیت استراتژیک بالایی بوده است. بهطوری که قطع چند لحظه برق میتواند زندگی شهروندان را مختل نماید. از آنجایی که انرژی الکتریکی قابلیت ذخیرهسازی ندارد و نیز رشد سریع مصرف برق، یک مدیریت بهینه مصرف برای این نوع انرژی نیاز است. شرکتهای توزیع برق به عنوان حلقه متصل به مشترکین در زنجیره عرضه برق میبایست میزان تقاضای برق مشترکین خود را با پیشبینی دقیق برآورد کرده و جهت تامین انرژی مورد نیاز اقدام نماید. لذا تجزیهوتحلیل دادههای مصرفی مشترکین برای شناخت الگوهای رفتار مصرفی آنها ضروری میباشد. مسئله شناخت الگوی مصرف و پیشبینی میزان برق مورد نیاز مشترکین تحت تاثیر عوامل مختلفی قرار دارد که این عوامل منجر به ماهیت پیچیده و غیرخطی الگوهای مصرف میشوند. از سوی دیگر، دادهکاوی که فرآيند یافتن الگوها و دانش ضمنی نهفته در پايگاهدادههای عظيم است، میتواند کمک شایانی در راستای دستیابی به اهداف مدیریت بهینه مصرف نماید.
2-2- انرژی الکتریکی و اهمیت آن
امروزه انرژی به عنوان یکی از اصلیترین عوامل برای شکلگیری و پیشرفت جوامع صنعتی شناخته شده است و مدیریت و میزان دسترسی کشورها به منابع گوناگون انرژی نشانگر پتانسیلهای پیشرفت و قدرت سیاسی و اقتصادی آنان میباشد. برق یکی از انواع انرژی است که با توجه به سهولت تبدیل، سهولت استفاده، کم خطر بودن و همچنین ملاحظات زیستمحیطی بیشتر از سایر انواع آن مورد توجه میباشد.
باتوجه به عمر رو به پایان سوختهای فسیلی، در طی سالیان اخیر تولید انرژی الکتریکی از سایر منابع انرژی همچون انرژی خورشیدی، بادی، هستهای ،زمین گرمایی و .... موجب گردیده تا اهمیت انرژی الکتریکی به عنوان مهمترین منبع تامین انرژی دو چندان گردد. از طرف دیگر متناسب با توسعهی تکنولوژی و ارتقاء سطح زندگی مردم نیاز به انرژی الکتریکی به عنوان نیروی محرکه چرخ عظیم خدمات صنعتی و رفاهی روبه افزایش گذاشته است. بهطوریکه تأمین انرژی الکتریکی از نیازهای اصلی هر اجتماع صنعتی بوده و توسعه اقتصادی و شکوفایی صنعتی بدون توسعه صنعت برق ممکن نیست، چرا که کمبود این انرژی میتواند صدمات جبران ناپذیری بر پیکره اقتصادی جامعه وارد کند.
در طول چند دهه اخیر مصرف برق در فعالیتهای مختلف جامعه گسترش چشمگیری یافته و امروزه زندگی بدون برق و دستگاههای برقی غیر قابل تصور است، برق بعنوان یاری آشنا در تمامی زوایـای خانه های ما حضور یافته و سبب رفاه وآسایش برای تك تك افراد گردیده است. یک سیستم بهداشتی خوب بدون داشتن دستگاههای برقی نظیر اشعه ایکس، امارآی، دستگاههای استریلیزه کردن، لامپهای مخصوص، اتاقهای عمل و مراقبتهای ویژه و ... نمیتواند خدمت لازم را در اختیار بیماران قرار دهد. در عصر حاضر که با توجه به تحولات فراوان در زمینه فنآوری اطلاعاتی و ارتباطی، به عصر اطلاعات مشهور گردیده است، حضور واژه "الکترونیک" در کنار کاربردهای فنآوری اطلاعات همچون کسبوکار الکترونیک، تجارت الکترونیک ، سایتهای الکترونیکی، پست الکترونیک و ...، خود مبین نقش اساسی انرژی الکتریکی در فنآوری اطلاعات میباشد. بنابراین، پژوهش در این حوزه از انرژی ارزشمند و حیاتی است.
2-3- ویژگیهای انرژی الکتریکی
با توجه به گسترهی عظیم استفاده از انرژی الکتریکی در تمام سطوح زندگی، بررسی ویژگیهای این انرژی که آن را از سایر انواع انرژی متمایز نموده، ضروری است. از جمله این ویژگیها میتوان به موارد ذیل اشاره کرد:
عمومی بودن خدمات: مشتریان برق، همه آحاد جامعه هستند. کشاورزی که برای آبیاری زمین خود، پمپ را روشن میکند و دانشمندی که آخرین مراحل آزمون فرضیه خود را میگذراند، هر دو اهمیت برق را حس میکنند. هیچکس نمیتواند از این بازار روی برگرداند و هیچ کالای دیگری نیست که همچون برق در هر لحظه مورد نیاز باشد. شاید از همین رو است که برای برق اهمیتی استراتژیک قائل می‌شویم.
اهمیت استراتژیک: صنعت برق تقریباً هر لحظه با زندگی همه شهروندان سرو کار دارد. حتی چند لحظه قطع برق ممکن است سلامت و امنیت شهروندان را به خطر اندازد و یا خسارت سنگینی به زندگی آنها وارد آورد. میلیونها چشم در هر لحظه فعالیت شبکه سراسری را زیر نظر دارند. قطع برق زودتر از هر مشکل دیگری احساس میشود و بیشتر از هر کمبود دیگری خطرآفرین است.
نداشتن جانشین: واقعیت آن است که برق در بسیاری از کاربردهای خود بدون جانشین است. شاید برای طبخ غذا، وسایل گازسوز را به وسایل برقی ترجیح دهیم، اما تقریباً همه متفق‌القول هستند که برای روشنایی، برق کارایی بیشتری دارد. معمولاً کسی یخچال نفتسوز را به یخچال معمولی ترجیح نمی‌دهد و در هیچ موردی از انرژی مستقیم سوختهای فسیلی برای راهاندازی تجهیزات الکترونیک استفاده نمی‌کند.
تمیز بودن: برق در هنگام مصرف آلودگی بسیار ناچیزی دارد. آلودگی آن درهنگام تولید نیز قابل کنترل است. نخستین کنترل، امکان تولید برق در خارج از محدوده شهرها و انتقال آن به نقاط مصرف است، زیرا سهولت انتقال برق عالی است. همچنین تنوع منبع برای تولید برق، اجازه میدهد بهترین و سالم‌ترین روش اقتصادی برای تولید برق در پیش گرفته شود.
حمایت ازصنایع دیگر: هزینه انرژی یکی از اقلام مهم قیمت تمام شده اغلب محصولات را تشکیل میدهد و این انرژی به طور معمول به شکل الکتریسیته مورد استفاده قرار میگیرد.
ساعات پیک: مصرف برق درساعات مختلف روز متفاوت است و حتی در ایام مختلف سال نیز متفاوت میباشد. با این وجود، سطح حداقلی که بار پایه نام دارد، همواره مورد استفاده قرار میگیرد.
طبیعی است که برنامهریزی برای تأمین بار پایه به سادگی صورت میگیرد و از نظر اقتصادی نیز تأمین آن کم هزینه‌تر است، زیرا تولیدکننده می‌داند که همواره این میزان تولید مورد نیاز است. اما در ساعات پیک، تأمین برق به این صورت امکانپذیر شده است که ظرفیتهای مورد نیاز، از قبل در مدار باشد تنها برای آنکه این نیاز را در ساعات محدودی برآورده کند. با توجه به سرمایهگذاری سنگین ساخت نیروگاه، اهمیت مصرف پیک بیشتر مشخص میشود.
به‌هرحال نمی‌توان به دلیل بالابودن قیمت تمام شده تولید برق برای رفع نیاز اوج بار، از تولید چشم‌پوشی کرد. حتی نمی‌توان قیمت تمامشده را از مصرفکننده عادی مطالبه نمود. به جرأت میتوان گفت چنین تمایزی با این شدت و وسعت، درمورد هیچ کالای دیگری وجود ندارد. در این ارتباط، بهرهگیری از اختلاف افق و اختلاف فصل نیز میتواند یکی از ویژگیهای منحصر به فرد الکتریسیته تلقی شود. به نحوی که با یک دیسپاچینگ قوی، میتوان در ساعات متناوب به واردات و صادرات پرداخت.
ذخیره سازی ضعیف: برق کالایی نیست که بتوان آن را انبار کرد. تولید و مصرف برق تقریباً همزمان صورت میگیرد. اگر امکان ذخیرهکردن برق مانند سایر کالاها وجود داشت، هزینههای تولید به‌ویژه برای تأمین تقاضای پیک به شدت کاهش می‌یافت ]49[.
مبادله انرژی الکتریکی: تبادل انرژی الکتریکی میان کشورها، ضمن افزایش بهرهوری موجب ارتقاء دسترسی به بازارها و مراکز جدید مصرف، افزایش پایداری و ضریب اطمینان شبکه سراسری، استفاده از امکانات کشورهای متعامل در جهت تامین ظرفیت ذخیره برق و در نتیجه صرفهجویی در سرمایهگذاری و کاهش اعتبارات مورد نیاز برای ایجاد این ظرفیت میباشد.
موضوع تبادل برق علاوه بر ابعاد اقتصادی، از جنبههای سیاسی نیز حائز اهمیت است، چرا که صادرات برق میتواند به عنوان ابزاری راهبردی در سیاست خارجی مورد استفاده قرار گرفته و با تامین برق کشورهای منطقه، به افزایش سطح امنیت کشور کمک کند. بنابراین مبادله انرژی الکتریکی بین ایران و کشورهای همسایه علاوه بر مزایای فوق، نیاز به سرمایهگذاریهای سنگین را برای احداث نیروگاههایی که پیک بار را تامین میکنند، تا حدی کاهش میدهد ]1[.
لزوم پیوستگی عرضه: هزینه خاموشی بسیار سنگین‌تر از هزینه تولید برق است. اگر قطع برق منجر به قطع رشته حیات انسانها بشود، اصولاً قابل جبران نیست. در صنعت نیز قطع برق اگر فاجعه‌آفرین نباشد، لااقل بحران میآفریند.
لزوم حفظ کیفیت: در مورد کالاهای دیگر ممکن است مصرفکنندگان با توجه به درآمد خود، درجه مختلفی از محصول را انتخاب کنند که هر چند کیفیت پایینتری دارد، اما به هر حال جوابگوی نیاز مصرفکننده هست. اما در مورد برق این موضوع تقریباً مصداق ندارد. درست است که در گذشته بسیاری از تجهیزات به قطع لحظه‌ای برق در حد چند سیکل حساس نبودند و آن را احساس نمی‌کردند، اما امروزه تجهیزات تغییر کردهاند. حتی نوسانات ناچیز ولتاژ نیز ممکن است سیستمهای کنترل میکرو پروسسوری را مختل کند و خسارتهای سنگینی وارد نماید.
لزوم تثبیت قیمت: فرض کنیم آزادسازی در صنعت برق آنچنان گسترش یابد که مصرفکنندگان عمده، در مورد قیمت ساعت مشخصی از تولید برق در روز بعد، با تولیدکنندگان به توافق برسند. آیا این قیمت را در آن ساعت میتوان به همه مصرفکنندگان تعمیم داد؟ مسلّم آن است که مصرفکنندهی عادی، در جریان چنین توافقی قرار نداشته و نباید به خاطر اضافهشدن بار چند مصرفکننده بزرگ در آن ساعت خاص، او هم مجبور شود نرخ بیشتری بپردازد. برعکس، قیمت در یک بخش باید تنظیم شود و تقریباً تثبیت شده باشد. هرچند میتوان تعرفه‌ای نسبتاً متفاوت برای ساعات خاصی از روز تعیین نمود.
قیمت نامشخص: با توجه به‌این که شیوههای تولید برق بسیار متنوع است و از انواع منابع نیز میتوان در تولید الکتریسیته استفاده کرد، باید گفت که معیار و محک ثابتی برای اعلام قیمت برق در سطح جهانی موجود نیست. مثلاً برق آبی با برق نیروگاه حرارتی قیمت یکسانی دارد، در حالی که اولی تقریباً به هیچ سوختی نیاز ندارد. همچنین در ساعات مختلف، روزهای مختلف و فصلهای گوناگون نیز قیمتها همچنان که گفته شد متفاوتند.
فنآوری اطلاعات: امروزه در نتیجه اهمیت پیدا کردن رایانهها در زندگی روزمره، نقش الکتریسیته باز هم بیشتر شده است. قطع برق از این منظر ممکن است باعث از بین رفتن ساعتها کار واردکننده اطلاعات شود. حتی ممکن است با لطمهخوردن به سطوح ثبت اطلاعات، ماهها کار افراد مختلف به یکباره نابود شود و قابل بازیابی هم نباشد. به طوریکه صنعت برق با فنآوری اطلاعات و ارتباطات عجین شده است.
طبق مطالب ارائه شده در رابطه با ویژگیهای برق، به جرات میتوان گفت در دنیای کنونی مدیریت چنین انرژی حیاتی بدون استفاده از ابزارهای فنآوری اطلاعات غیرممکن است ]49[.
2-4- تاریخچه صنعت برق در جهان و ایران:
با اختراع لامپ روشنایی حرارتی در سال 1879 توسط توماس ادیسون، وی اولین فردی نبود که سیستم روشنایی الکتریکی را اختراع کرد. چند سال قبل از آن از نوعی لامپ الکتریکی قوسی شکل برای تأمین روشنایی خیابان‌های پاریس استفاده شده بود. اما لامپ الکتریکی ادیسون همراه با سیستمی که او برای توزیع نیروی الکتریکی ابداع کرد بهرهگیری از نیروی الکتریسیته را برای تأمین روشنایی منازل عملی ساخت. در سال 1882 کمپانی او در نیویورک تولید لامپ برق را آغاز کرد و از آن پس استفاده از برق در منازل سریعاً در سراسر جهان گسترش یافت.
ادیسون با ایجاد اولین کارخانه و شبکه توزیع برق برای منازل و اماکن خصوصی شالوده توسعه بزرگ صنعت را بنا نهاد ]2[.
تاریخچه تشکیل صنعت برق ایران از سال 1283 هجری شمسی با بهرهبرداری از یک مولد 400 کیلووات که توسط یکی از تجار ایرانی به نام حاج امین الضرب تهیه و در خیابان چراغ برق تهران ( امیرکبیر ) نصب گردیده بود، آغاز شد . این موسسه تحت نام دایره روشنایی تهران زیر نظر بلدیه اداره میشد. و در سال 1316 موسسه برق تهران که بعداً به اداره برق کل تهران تغییر نام یافت زیر نظر شهرداری بهرهبرداری از یک نیروگاه 6000 کیلووات را به عهده گرفت. در سال 1328 بنگاه مستقل برق تهران که بعداً در سال 1331 به بنگاه برق تهران تغییر نام یافت و تحت نظر وزارت کشور فعالیتهای مربوط به تامین برق را عهده دار گردید. به علاوه از سال 1328 به بعد شرکتهای مختلفی که عهدهدار سرویس برق مشترکین بودند، در گوشه و کنار تهران مشغول فعالیت شدند که مجموع ظرفیت نصب شده مولدهای آنها به حدود 40000 کیلووات بالغ گردید .
در سال 1341 به منظور تشکیل شرکتهای برق ناحیهای جهت تولید و توزیع برق، سازمانی به نام سازمان برق ایران ایجاد گردید که پس از تشکیل وزارت آب و برق در سال 1343 سازمان مذکور ابتدا به صورت سازمانی وابسته و سپس در سال 1344 به صورت معاونت واحد برق در وزارت مذکور ادغام گردید. وزارت آب و برق از سال 1353 بر اساس لایحه قانونی که از تصویب مجلس گذشت به وزارت نیرو تغییر نام یافت که تا حال حاضر به همین نام باقی است ]50[.
2-5- زنجیرهی عرضهی برق:
هر شبکه برقرساني، معمولا از بخشهاي سهگانهی توليد، انتقال و توزيع تشكيل يافته است:
2-5-1- تولید
تولید انرژی الکتریکی فرآیندی است که در طول آن دیگر منابع انرژی مانند انرژی خورشیدی، بادی، هستهای، زمین گرمایی، سوختهای فسیلی و... به انرژی الکتریکی تبدیل میشوند. در شرکتهای تولید، این فرآیند توسط نیروگاههای برق (کارخانه برق) که مجموعهای از تأسیسات صنعتی است، انجام گرفته و انرژی الکتریکی حاصل در اختیار خطوط انتقال نیرو قرار میگیرد.
تولید برق عمدتا تابعی از مصرف مشترکین مختلف است. بنابراین تولید برق بایستی با توجه به نیاز مصرف برق مشترکین و میزان تلفات شبکههای انتقال و توزیع و مصارف داخلی صورت گیرد. تولید انرژی الکتریکی نیروگاههای کشور در سال 1389 برابر با 4/225375 گیگاوات ساعت بوده است ]1[.
2-5-2- انتقال
انرژی برق پس از تولید در نیروگاهها از طریق خطوط با ولتاژهای مختلف به مراکز مصرف منتقل میشوند. بدین جهت وجود خطوط انتقال مطمئن، یکپارچه و به هم پیوسته از جمله ملزومات توسعه صنعت برق میباشند. تاسیسات شبکه انتقال، حلقهی میانی از زنجیره تولید، انتقال و توزیع برق هستند، چرا که انرژی تولید شده در نیروگاهها از طریق خطوط انتقال به مبادی شبکههای توزیع منتقل میگردد ]1[.
2-5-3- توزیع
شبکه توزیع مجموعهای از خطوط، تأسیسات و پستهای فشار متوسط و فشار ضعیف هوایی و زمینی، شبکه روشنایی معابر، انشعابات و لوازم اندازهگیری، و تأسیسات ساختمانی مربوطه است که مأموریت آن خرید و توزیع بهینه نیروی برق به طور مستمر بر اساس استانداردهای وزارت نیرو، و فروش آن به مشترکین و متقاضیان، و جلب رضایت آنان در حوزه عملیات شرکت است. دایره مشتریان شبکه توزیع، تقریباً تمام کشور را دربر میگیرد.
با توجه به اینکه شرکتهای توزیع به عنوان آخرین حلقهی زنجیرهی عرضهی برق، در تعامل متقابل با مشترکین بخشهای مختلف میباشند و نیز شرکتهای توزیع میبایست با برآورد نیاز مشترکین درخواستهای خرید انرژی الکتریکی مربوطه را از شرکتهای تولید و انتقال داشته باشند، بنابراین مطالعه و مدیریت عرضه و تقاضای انرژی، یکی از ارکان اصلی شرکتهای توزیع برق محسوب میگردد.
برای مدیریت هر چه بهتر عرضه و تقاضای انرژی، بررسی میزان مصرف برق و همچنین شناخت مشترکین بخشهای مختلف مصرفکننده انرژی الکتریکی و سهم هر بخش از مصرف برق، مثمرثمر خواهد بود.
2-5-3-1- مصرف برق در ایران و جهان:
مصرف برق در سالیان اخیر به دلایل متعددی نظیر: رشد سریع جمعیت، توسعه شهرنشینی، افزایش سطح زندگی و رفاه، واقعی نبودن تعرفهها، تغییرات آبوهوا و توسعه صنعتی و تجاری افزایش داشته است. طبق آخرین آمار ارائه شده توسط آژانس بینالمللی انرژی، مصرف انرژی الکتریکی در سال 2009 در جهان 16760065 گیگاوات ساعت بوده و از این میزان سهم کشور ایران 09/1% مصرف جهانی و برابر با 4/184179 گیگاوات ساعت بوده است. میزان مصرف برق طی سالهای اخیر در نمودارهای زیر نشان داده شده است.
شکل 2-1: مصرف برق در جهان در طی سالهای 2000-2009 ]52[
شکل 2-2: مصرف برق در ایران در طی سالهای 1383-1389
2-5-3-2- مشترک:
مشترک عبارتست از شخص حقیقی یا حقوقی که امکان استفاده مجاز از انرژی الکتریکی که از طریق دایر کردن خطوط و وسایل اندازهگیری لازم، بر طبق مقررات برای وی برقرار شده باشد ]51[. مشترکین برق در ایران به بخشهای خانگی، عمومی، تجاری، صنعتی، حملونقل، کشاورزی و سایر مصارف تقسیم شده است.
2-5-3-2-1- مشترکین بخش خانگی:
مصرف برق در بخش خانگی عمدتا شامل روشنایی و استفاده از وسایل و تجهیزات متعارف خانگی در واحدهای مسکونی میباشد. در سال 1389، 21045000 مشترک بخش خانگی بالغ بر 7/60907 گیگاوات ساعت برق مصرف نمودند که نسبت به سال قبل از رشد 5/9 درصدی برخوردار بوده است. از علل اصلی رشد مصرف در سال 1389 میتوان به آبوهوای گرم کشور در تابستان سال مورد بررسی اشاره کرد. سرانه مصرف برق به ازای هر مشترک خانگی در سال 1389 حدود 1/2894 کیلووات ساعت بوده است که نسبت به سال ماقبل آن 2/3 درصد رشد نشان میدهد. این در حالی است که به منظور مدیریت مصرف برق در بخش خانگی 23 میلیون شعله لامپ کممصرف یارانهای نیز توزیع شده است. سرانه مصرف مشترکین خانگی در استان آذربایجان غربی با توجه به آبوهوای معتدل برابر با 9/2014 کیلووات ساعت بوده که با 741760 مشترک، مصرف بخش خانگی استان برابر با 6/1494 گیگاوات ساعت بوده است.
2-5-3-2-2- مشترکین بخش تجاری:
برق در این بخش بیشتر برای سرمایش، گرمایش و روشنایی و استفاده از لوازم اداری الکتریکی در مغازهها، فروشگاهها و شرکتهای تجاری مصرف میشود. در سال 1389، 3223000 مشترک بخش تجاری، با سرانهی 5/3948 کیلووات ساعت، در مجموع بالغ بر 3/12725 گیگاوات ساعت برق مصرف کردهاند. مصرف برق بخش تجاری در استان آذربایجان غربی با 113721 مشترک و سرانه مصرف 6/2312 برابر با 263 گیگاوات ساعت بوده است.
2-5-3-2-3- مشترکین بخش صنعت:
در بخش صنعت از برق برای بهرهبرداری از صنایع، کارخانهها، استخراج معادن، صنایع کشاورزی برای تولید فرآوردههای کشاورزی و دامی در کارگاهها و صنایع کوچک و تولیدی، استفاده میشود. مصرف بالای برخی از صنایع بزرگ کشور، آنها را بر آن داشته است که برای تامین بخشی از انرژی مصرفی خود اقدام به ساخت نیروگاههای اختصاصی کنند. برق مصرفی در بخش صنعت در سال 1389 برابر با 0/64934 گیگاوات ساعت گردید که وزارت نیرو حدود 0/61186 گیگاوات ساعت آن را تامین نموده است. مصرف برق بخش صنعت در استان آذربایجان غربی با 3954 مشترک برابر با 8/796 گیگاوات ساعت بوده است.
2-5-3-2-4- مشترکین بخش عمومی:
مصرف بخش عمومی به مصارفی اطلاق میشود که برای خدمات عمومی و سایر مصارف که عمدتا شامل روشنایی معابر میگردد، به کار رود و تنها بخشی است که مصرف برق آن نسبت به سال گذشته از رشد منفی برخوردار بوده است. تعداد مشترکین این بخش بالغ بر 1013000 مشترک و متوسط مصرف هر مشترک آن 4/21039 کیلووات ساعت بوده که نسبت به سال قبل 2/8 درصد کاهش داشته است. که این سرانه در استان آذربایجان غربی با 20113 مشترک برابر با 6/24839 کیلووات ساعت بوده است.
2-5-3-2-5- مشترکین بخش حملونقل:
با توسعه اقتصادی و رفاه اجتماعی تقاضا برای حملونقل نیز افزایش مییابد. توجه به مصرف بهینه انرژی، حفظ محیط زیست، افزایش جمعیت و تراکم در شهرهای بزرگ و همچنین آلودگی وسیع هوای شهرها به واسطه مصرف سوختهای فسیلی، استفاده از برق برای جابجایی مسافر در شهرها را امری اجتنابناپذیر کرده است. برق مصرفی این بخش شامل اتوبوسهای برقی و مترو میباشد. مصرف برق در بخش حملونقل در سال 1389 در مجموع معادل 5/299 گیگاوات ساعت بوده که نسبت به سال ماقبل آن 2/6 درصد رشد داشته است.
2-5-3-2-6- مشترکین بخش کشاورزی:
مصرف بخش کشاورزی، مصارفی هستند که از نیروی برق برای پمپاژ آبهای سطحی و زیرزمینی و یا پمپاژ مجدد آب برای تولید محصولات کشاورزی استفاده میکند. 258000 مشترک کشاورزی، در سال 1389 برابر با 8/24188 گیگاوات ساعت انرژی الکتریکی استفاده کردهاند. مصرف برق بخش کشاورزی در استان آذربایجان غربی با 13298 مشترک برابر با 1/475 گیگاوات ساعت بوده است.
تعداد مشترکین برق کشور در سال 1389، 25698000 مشترک بوده است که نمودارهای شکل 2-3 و 2-4 به ترتیب بیانگر سهم هر بخش از تعداد مشترکین و میزان مصرف برق کلی میباشد ]1[.
آذربایجان غربی با داشتن 892846 مشترک در سال 1389، 3/3643 گیگاوات ساعت انرژی الکتریکی مصرف نموده است. نمودارهای شکل 2-5 و 2-6 به ترتیب بیانگر سهم هر بخش از تعداد مشترکین و میزان مصرف برق در استان آذربایجان غربی میباشد.
آمارهای ارائه شده در این تحقیق و نیز آمارهای شرکت توانیر در طی سالیان اخیر در زمینه مشترکین برق و میزان مصرف آنها، همگی موید این مطلب است که تغییرات مصرف تابعی از یک رابطهی منطقی و ساده نبوده و شناخت الگوهای رفتاری مصرف مشترکین و مطالعه بار جزو مسائل حیاتی و چالشی شرکت توزیع نیروی برق میباشد.
2-6- مطالعه و پیشبینی بار
مدیریت مصرف برق مفهومی است در مقابل مدیریت تولید برق و عبارت از بهینهسازی و منطقی کردن مصرف است به گونهای که با صرف هزینه کمتر، کارایی بیشتر انرژی الکتریکی حاصل گردد. در اثر اعمال راهکارهای مدیریت مصرف برق نه تنها از حجم تولید، ارائه خدمات عمومی و نیز سطح رفاه اجتماعی کاسته نمیشود، بلکه با همان امکانات و سطح هزینهها، افزایش خدمات و نیز توسعه رفاه اجتماعی امکانپذیر خواهد شد. به بیان دیگر، مدیریت مصرف برق شامل تمامی اقداماتی است که در راستای بهبود بهرهوری و ارتقاء سطح کارایی انرژی الکتریکی در اقتصاد ملی صورت میپذیرد ]1[ و نتایج زیر را به همراه دارد:
افزایش قابلیت اطمینان، پایداری و امنیت شبکه و کیفیت برق با رعایت حقوق مصرفکنندگان
برنامهریزی مشخص سالانه در بهبود کیفیت برق و کاهش مدت زمان خاموشیها
ارتقای اثربخشی تعرفههای برق
تدوین برنامه منسجم مدیریت مصرف برق از طریق اشاعهی فرهنگ بهینه به مشترکین با بهرهگیری از آموزشهای فردی و رسانههای جمعی و سایر روشهای مناسب
راهبری لازم در توسعه صادرات و مبادله برق کشور با کشورهای همجوار
تدوین و اجرای سیاستهای مناسب در جهت کاهش انتشار گازهای گلخانهای
ارتقای جایگاه انرژی برق در اقتصاد ملی ]3[.
اما باید در نظر داشت که مدیریت صحیح مصرف برق بدون مطالعه و بررسی دادههای مصرفی مشترکین و تجزیهوتحلیل رفتار مصرفی آنها، امکانپذیر نمیباشد، چرا که تولید برق عمدتا تابعی از مصرف مشترکین مختلف است. برای کارایی هر چه بیشتر ابزارهای مدیریت مصرف برق همچون سیاستگذاری در زمینه تعرفهی برق، تبلیغات موثر جهت اصلاح الگوی مصرف و سیاستهای تشویقی متناسب، و در راستای دستیابی به نتایج مذکور، شناخت الگوی مصرف مشترکین و درک کامل رفتار آنها و نیز پیشبینی میزان بار بسیار راهگشا خواهد بود.
2-6-1- الگوی مصرف
شناخت الگوی رفتاری مصرفکنندگان محصولات و خدمات تولیدی هر سازمان، مبنائی برای سیاستگذاریها و تعیین اهداف عملیاتی و استراتژیک بوده و هم فرآیند مناسبی برای ارزیابی اثربخشی آن سازمان محسوب میشود ]7[. شرکتهای توزیع نیروی برق نیز از این امر مستثنی نبوده و همانگونه که پیشتر مطرح گردید، مصرفکنندگان به طور تصادفی و با الگوهای رفتاری خاص به شبکه برق متصل میشوند. بنابراین، شناخت انواع الگوهای مصرف و ایجاد خوشههایی از مشترکین با الگوهای مشابه، بسیار مفید خواهد بود، چرا که میتوان با بررسی ویژگیهای رفتار مصرفی هر خوشه، الگوی مطلوب متناسب با هر کدام را تدوین نمود. همچنین میتوان میزان تاثیر هر خوشه را در مصرف نهایی انرژی الکتریکی محاسبه کرده و با تمرکز بر خوشههایی که نقش اساسی در مصرف دارند، سیاستها و اقدامات مناسبی در جهت اصلاح الگوی مصرف اتخاذ نمود. و انتظار میرود پیادهسازی و اجرای این سیاستها، اصلاح الگوی مصرف انرژی را بدنبال داشته و ظرفیتهای مناسبی را برای کسب درآمد از طریق مبادلات بیشتر انرژی الکتریکی در اختیار کشورمان قرار دهد ]3[.
از سوی دیگر، با توجه به اینکه قیمتگذاری یک مسئله مهم در صنعت برق محسوب میشود، به منظور داشتن تعرفهی مناسب و بازدارنده، بررسی و درک کامل الگوهای مصرف بسیار ضروری است.
2-6-2- پیشبینی مصرف
پیشبینی بار الکتریکی یک ابزار ضروری برای سیستمهای مدیریت انرژی است. پیشبینی دقیق بار، به شرکتهای برق در تصمیمگیریها و زمانبندی مناسب برنامههای نگهداری کمک خواهد کرد. از سوی دیگر، علاوه برکاهش هزینههای تولید برق، امری مهم برای اطمینان از سیستمهای انرژی میباشد ]17[. هدف از پیشبینی میزان تقاضای برق، استفاده بهینه از انرژی الکتریکی و ایجاد تعادل بین عرضه و تقاضا است و لذا پیشبینی تقاضای برق با بیشترین دقت از اهمیت فوقالعادهای برخوردار خواهد بود ]18[. مسلم است که با پیشبینی دقیق میزان مصرف برق در آینده، امکان مدیریت صحیح مصرف برق ایجاد شده و به تبع آن با کاهش مدت زمان و تعداد خاموشیها، یک شبکه برقرسانی پایدار و مطمئن خواهیم داشت.
به طور کلی، مسئلهی پیشبینی بار با توجه به فواصل زمانی به سه نوع تقسیم میشود: درازمدت، میانمدت و کوتاهمدت. که هر یک نقش مهمی در عملکرد اقتصادی و مطمئن صنعت برق دارد. تصمیم دربارهی توسعهی سیستمها از جمله اینکه خطوط و پستهای جدید برق ساخته شود یا ارتقاء گردد، با پیشبینی درازمدت ممکن است، که برای دورهی یک تا چند سال در نظر گرفته میشود. پیشبینی میانمدت بار به دورهی زمانی از چند روز تا چند هفته و چند ماه مربوط و برای بررسی الزامات بار در اوج فصلهای تابستان و زمستان، برنامهریزی نگهداری و توسعهی شبکه استفاده میشود. و پیشبینی کوتاهمدت برای انجام عملیاتی مانند کنترل تولید در زمان واقعی، تجزیهوتحلیل امنیت و برنامهریزی تراکنش انرژی مهم است. معمولا پیشبینی کوتاهمدت دورههای از یک ساعت تا چند روز را پوشش میدهد ]19[.
برای شناسایی رفتار مصرفی و پیشبینی دقیق میزان مصرف برق مشترکین، توجه به دو نکته بسیار مهم است. اولین نکته شناسایی تمام متغیرها و عوامل ضروری است که در مصرف برق تاثیرگذار هستند. نکته دوم انتخاب یک روش مدلسازی مناسب است. یکی از مشکلات موجود در این حوزه، همانند بسیاری از مطالعات دیگر، این واقعیت است که ارتباط بین متغیرهای ورودی و متغیر خروجی غیرخطی بوده و ماهیت غیرخطی به خوبی شناخته شده نیست ]20 [. با توجه به تغییرات مختلف فصلی و ماهانه در مصرف برق و مشکلات در مدلسازی آن با روشهای مرسوم، استفاده از روشهای دادهکاوی مناسبتر به نظر میرسد ]14[.
لذا، در ادامه این بخش از پژوهش عوامل موثر بر الگو و میزان مصرف برق مورد بررسی قرار میگیرد.
2-6-3- عوامل موثر بر مصرف برق
طبق مطالب ارائه شده در بخشهای قبلی، الگوی مصرف برق مشترکین بصورت توابع پیچیده و غیرخطی است که تحت تاثیر عوامل مختلف قرار میگیرد که در حالت کلی، این عوامل میتوانند به سه گروه اصلی تقسیم شوند:
عوامل اقتصادی (تولید ناخالص داخلی، درآمد ملی، سرمایه و ... )
عوامل اجتماعی ( جمعیت، فرهنگ و ... )
عوامل محیطی ( دما، آلودگی، منطقه جغرافیایی و ... )
این عوامل موجب پیچیدگی و شکل تناوبی الگوهای مصرف هستند. الگوی مصرف برق دو نوع از تغییرات را نشان میدهد. در جنبه اول، یک روند رو به رشد به وضوح نشان داده میشود که میتواند ناشی از عوامل اقتصادی و اجتماعی باشد، و جنبه دیگر نشاندهنده تغییرات دورهای است که در گروههای ساعتی، روزانه، ماهیانه و فصلی دستهبندی میشود و میتواند توسط عوامل محیطی تحت تاثیر قرار گیرد. بسیاری از مطالعات بطور عمده بر پیشبینی میزان مصرف از نقطه نظر فنی در یک دوره خاص تمرکز کردهاند، و سایر تحقیقات سعی در تجزیه و تحلیل تاثیر عوامل اقتصادی بر مصرف برق از یک دید گستردهتر دارند. مسلم است که یافتن و تجزیه و تحلیل اثرات عوامل موثر بر الگوی مصرف بسیار مفیدتر است ]8[. بعبارت دیگر، عوامل اقتصادی و اجتماعی بر میزان مصرف در درازمدت تاثیر داشته و در پیشبینیهای درازمدت بار در نظر گرفته میشود.
از جمله عوامل موثر بر الگوی مصرف مشترکین در کوتاهمدت و میانمدت عبارتند از: شرایط آبوهوایی مانند دما، رطوبت و ...، متغیرهای زمانی مانند تعطیلات، اعیاد و جشنها، و ویژگیهای محل اقامت مشترک ]21[.
2-6-3-1- شرایط آبوهوایی
شرایط آبوهوایی تاثیر مستقیم بر عملکرد حرارتی ساختمانها و استفاده از انرژی برق دارد ]22[. از جمله متغیرهای آبوهوایی میتوان به موارد زیر اشاره نمود:
درجه حرارت: درجه حرارت ثبت شده برای هر دوره به عنوان میانگین دمای بیشینه و کمینه در آن دوره خواهد بود.
خورشید و ماه: این ویژگی بیانگر ارتفاعات خورشید و ماه همانند زمانهای بالا آمدن و پایین آمدن میباشد. و نیز ساعات آفتابی روز مشخص میشود.
ابرها: این ویژگی درصد پوشش آسمان توسط ابرها را نشان میدهد. اعداد بزرگتر بیانگر پوشش ابری زیاد و آفتاب کم است.
رطوبت: نشاندهنده میانگین رطوبت موجود برای فواصل زمانی مدنظر است.
باد:
جهت: بیانگر جهت وزش باد است.
سرعت: بیانگر سرعت وزش باد بر حسب m/s است.
بارش: بیانگر مقدار بارش در دوره مورد نظر است.
نرخ بارش: نرخ برابر با مقدار بارش در یک ساعت است.
نقطه شبنم: شبنم رطوبت موجود در جو است که به دلیل کاهش دمای هوا به نقطه شبنم بصورت قطرات آب بر اجسام پدیدار میشود. بطور معمول سرمایش سطح زمین در این حالت به دلیل برگشت تشعشعات خورشیدی در هوای صاف و بدون پوشش ابر انجام میشود. نقطه شبنم میزان دمایی است که هوای مرطوب باید تا آن اندازه سرد شود تا بخار آب موجود در آن کندانس شده و به مایع تبدیل شود.نقطه شبنم ارتباط تنگاتنگی با رطوبت نسبی دارد. وقتی دما به نقطه شبنم برسد، رطوبت نسبی 100% است و شبنم تشکیل میشود.
فشار: نشاندهنده میانگین فشار هوا برای فواصل زمانی مدنظر است ]53[.
2-6-3-2- متغیرهای زمانی
متغیرهای زمانی میتوانند موجب کاهش یا افزایش مصرف برق در یک دورهی زمانی مشخص گردند. به عنوان مثال، شهرهای توریستی و زیارتی در تعطیلات مختلف سال با توجه به افزایش مسافران، با افزایش مصرف برق روبرو میشوند. از جمله این متغیرها میتوان به ساعت، روز، هفته، ماه رمضان، تعطیلات جشن و عزا و لحظهی تحویل سال اشاره کرد ]1[.
2-6-3-3- ویژگیهای محل اقامت مشترک
از جمله این ویژگیها میتوان به منطقه شهری مشترک، نوع کنتور و سایر خصوصیات عمرانی ساختمان اشاره نمود.
استخراج الگوها و دانش پنهان از دادههای مصرفی مشترکین و پیشبینی میزان مصرف برق با در نظر گرفتن عوامل موثر بر آن، دارای ماهیت غیرخطی و بسیار پیچیده است، بنابراین روشهای آماری مرسوم مناسب نبوده و استفاده از روالهای دادهکاوی به عنوان یک ابزار نوین فنآوری اطلاعات مفید خواهد بود.
2-7- دادهکاوی
دادهکاوی در اواخر دهه 1980 پديدار گشته، در دهه 1990 گامهای بلندی در اين شاخه از علم برداشته شده و انتظار میرود در اين قرن به رشد و پيشرفت خود ادامه دهد ]23[. دادهکاوی فرآيند یافتن الگوها و دانش مفید از داده میباشد، که اين دانش به صورت ضمنی در پايگاهدادههای عظيم، انباره داده و ديگر مخازن بزرگ اطلاعات، ذخيره شده است. تعاريف مختلفي از دادهکاوي ارائه شده است که در اينجا به چند مورد از آنها اشاره ميشود:
دادهکاوی در حقیقت، کشف ساختارهای قابل توجه، غیرمنتظره و با ارزش از داخل مجموعهی وسیعی از داده میباشد و فعالیتی است که اساسا با آمار و تحلیل دقیق دادهها منطبق است ( دیوید هند، 1998).
دادهکاوی عبارت است از فرآیند انتخاب، اکتشاف و مدل کردن مقادیر زیادی داده به منظور کشف نظم خاص یا ارتباط ویژهای که قبلا ناشناخته بوده و حالا نتایج واضح و مفیدی را برای کاربر بانک اطلاعاتی به ارمغان میآورد ( بری و لینوف، 1997)
دادهکاوی فرآیند خودکار کشف اطلاعات مفید از پایگاه دادههای بزرگ میباشد. تکنیکهای دادهکاوی برای یافتن الگوهای بدیع و مفید به کار میرود که در غیر اینصورت ناشناخته باقی خواهند ماند]24[.
واژههای دادهکاوی و کشفدانش در پایگاه داده اغلب به صورت مترادف یکدیگر مورد استفاده قرار میگیرند. کشف دانش به عنوان يک فرآيند در شکل 2-7 نشان داده شده است. کشف دانش در پایگاه داده، فرآیند شناسایی درست، ساده، مفید، و نهایتا الگوها و مدلهای قابل فهم در دادهها میباشد. بنابراین دادهکاوی، مرحلهای از فرآیند کشف دانش بوده و شامل الگوریتمهای مخصوص دادهکاوی است، بطوریکه تحت محدودیتهای مؤثر محاسباتی قابل قبول، الگوها و یا مدلها را در داده کشف میکند ]25[.
به عبارتی، دادهکاوی گونهای از تکنیکها برای شناسایی اطلاعات و یا دانش تصمیمگیری از قطعات داده میباشد، به نحوی که با استخراج آنها، در حوزههای تصمیمگیری، پیشبینی و تخمین مورد استفاده قرار گیرند.
شکل 2-7: دادهکاوی به عنوان يک مرحله از فرآيند کشف دانش ]26[
2-7-1- اهداف دادهکاوی
به طور کلی میتوان اهداف دادهکاوی را در دو گروه بزرگ پیشبینی و توصیف، طبقهبندی نمود ]23[.
پیشبینی
پیشبینی، استفاده از خصیصههای معین در مجموعه دادهها، برای پیشبینی مقادیر دیگر خصیصهها میباشد. مانند پیشبینی اینکه کدام یک از کاربران برخط در یک وب سایت تجارت الکترونیک، اقدام به خرید میکنند، و پیشبینی قیمتهای آتی سهامها.
توصیف
توصیف، سعی بر یافتن الگوهای قابل فهم برای انسان دارد، که خصوصیات ویژهای از داده را شرح میدهند. مانند پیدا کردن الگوهای گوناگون حمله سایبری که بر علیه یک شبکه کامپیوتری رخ داده است، مشخص نمودن گروههای متنی با موضوع یکسان و کشف عاملهای جوی و اقلیمی موثر در آبوهوا ]4[.
2-7-2- روشهای دادهکاوی
روشهای دادهکاوی را میتوان به سه روش کلی تقسیمبندی نمود.
2-7-2-1- دستهبندی
دستهبندی یکی از متداولترین روشهای دادهکاوی است و به ارزشیابی ویژگیهای مجموعهای از دادهها میپردازد و سپس آنها را به مجموعهای از گروههای از پیش تعریف شده اختصاص میدهد. در واقع این روش عبارت است از تطبیق بین یک فضای ویژگی و یک فضای برچسب، که ویژگیها بیانگر خصوصیات عناصر برای دستهبندی و برچسبها نشاندهنده کلاسها است. یک مدل دستهبندی کننده میتواند برای پیشبینی برچسب کلاس رکوردهای جدید و ناشناخته استفاده شود. در حالت توصیفی نیز میتواند به عنوان ابزار بیانگری برای تمایز بین اشیاء کلاسهای مختلف در نظر گرفته شود. این تکنیک اغلب مناسب برای پیشبینی یا توصیف مجموعه دادههای باینری و اسمی است ]24[. در مدلسازی پیشگویانه اگر مجموعه مقادیر کلاس هدف گسسته باشد، به آن دستهبندی و اگر مجموعه مقادیر کلاس هدف پیوسته باشد به آن رگرسیون میگویند. از کاربردهای دستهبندی، پیشبینی اقدام به خرید کاربران برخط در یک وبسایت تجارت الکترونیک و از کاربردهای رگرسیون پیشبینی قیمتهای آتی سهامهای مختلف، میباشد.
2-7-2-2- خوشهبندی
خوشهبندی تقسیم یک گروه ناهمگن به چندین زیرگروه یا خوشه همگن است. خوشهبندی به طور خودکار ویژگیهای متمایز کننده خوشهها را تعریف کرده و آنها را شکل میدهد، به طوریکه پایگاه داده را به چندین بخش تقسیم کرده و خوشههایی از رکوردها را به وجود میآورد که نمایانگر یا صاحب صفات خاصی هستند. اعضای درون یک خوشه شباهتهای زیادی به یکدیگر داشته ولی اعضای هر خوشه با اعضای موجود در خوشههای دیگر شباهت کمتری را خواهند داشت. بهترین خوشهبندی زمانی اتفاق میافتد که بیشترین شباهت در داخل هر خوشه و کمترین شباهت بین خوشهها باشد. کار خوشهبندی بسیار شبیه دستهبندی است. تفاوت آنها در اینست که کلاسها در دستهبندی از پیش تعریف و ساخته شدهاند، اما در خوشهبندی، خوشهها در حین تحلیل دادهها بدست میآیند. خوشهبندی دادهها میتواند بخشی / سلسله مراتبی، کاملا جدا / فازی ( همپوشان ) و یا کامل / ناقص باشد. خوشهبندی کاربردهای فراوانی دارد، مانند تقسیم متنها بر اساس موضوع ]24[ و تقسیم سرزمینها بر اساس پوشش گیاهی.
2-7-2-3- تحلیل وابستگی
برای شناسایی احتمال رخداد پذیرش یک آیتم به همراه یک یا چند آیتم دیگر استفاده میشود. با استفاده از این ابزار و دادههای تراکنشی، میتوان فهمید که مشتریان به چه آیتمهایی به طور همزمان نیاز دارند. پیدا کردن دو یا چند آیتم به هم مرتبط بیانگر وجود یک ارتباط معنایی بین آنها است. از این ابزار در ارائهی پیشنهاد خرید آیتمهای مرتبط با آیتم خریداری شده اولیه توسط مشتری استفاده میشود. مشهورترین کاربرد آن در مسئله تحلیل دادههای سبد خرید است.
2-7-3- فرآیند دادهکاوی ( مدل CRISP-DM )
در چند سال اخیر، استانداردهای گوناگون دادهکاوی تحقق یافته و امروزه توسط بسیاری از سازندگان برنامههای کاربردی دادهکاوی، استفاده میشود. استانداردهای دادهکاوی موضوعات گوناگونی را در ارتباط با دادهکاوی در بر میگیرد، که این موارد عبارتند از:
فرآیند کلی دادهکاوی از ساختن مدل، ارزیابی و بکارگیری آن
استانداردهایی برای پاکسازی، تبدیل و جمعبندی خصیصهها، برای ورودی مدلهای دادهکاوی
استانداردهایی برای تنظیم پیشنیازهای مدلسازی، جهت استفاده از خروجی مدل در دیگر سیستمها
استاندارد واسطها و برنامهنویسی واسطهای کاربردی
استانداردهایی برای نمایش، تحلیل و کاوش دادهها
استانداردهای وضع شده به جنبههای گوناگون و ابعاد مختلف کاربردهای دادهکاوی اشاره دارند. یکی از این استانداردها برای فرآیند دادهکاوی، استاندارد CRISP-DM میباشد که در سال 1996 با همکاری شرکتهای دايملر کرايسلر( بنز)، اس پي اس اس و ان سي آر اقدام به تهیه آن شده است. این استاندارد، صنعتی، ابزاری با کاربردهای فراگیر برای تعریف و تصدیق فرآیند دادهکاوی تهیه شده است.
مدل مرجع دادهکاوی در استاندارد CRISP-DM، یک نمای کلی از چرخه دوام یک پروژه دادهکاوی را فراهم میآورد. این مدل شامل مراحل پروژه، وظایف هر کدام و ارتباط بین آنها میباشد. چرخه دوام یک پروژه دادهکاوی شامل شش مرحله است که در شکل 2-8 نشان داده شده است. توالي اين مراحل انعطافپذير ميباشد و برگشت به مراحل قبلي و مسيرهاي آزاد بين مراحل گاهي مورد نياز است.
شکل 2-8: مراحل مدل مرجع فرآیند دادهکاوی]27[
درک تجاری: اولین مرحله بر روی تعریف مساله تجاری، درک اهداف و پیشنیازهای آن، سپس تبدیل این دانش به یک مساله دادهکاوی و طراحی یک طرح اولیه برای رسیدن به این اهداف، تمرکز دارد.
درک داده: مرحله درک دادهها، با گردآوری دادههای اولیه شروع و سپس با فعالیتهایی از قبیل آشنایی با دادهها، تشخیص مشکلات کیفیت دادهها، یافتن دیدگاه اولیه نسبت به دادهها و یا شناسایی زیرمجموعههای جالب برای شکل دادن فرضیههایی درباره اطلاعات پنهان، ادامه می یابد.
پیشپردازش داده: مرحله پیشپردازش دادهها، تمام کارهای لازم برای ساختن مجموعه دادههای نهایی ( دادههایی که به ابزار مدلسازی وارد میشوند ) از دادههای خام اولیه، را پوشش میدهد. فعالیت پیشپردازش دادهها ممکن است بارها انجام شوند و دارای نظم خاصی نیست. این کارها شامل انتخاب جدول، تراکنشها و خصیصهها و همچنین تبدیل و پاکسازی دادهها برای ابزار مدلسازی میباشد.
ساختن مدل: در این مرحله، روشهای مختلف مدلسازی انتخاب و استفاده شده و پارامترهای این روشها برای رسیدن به یک مقدار بهینه، تنظیم میشوند. معمولا برای یک مساله دادهکاوی چندین روش برای ساختن مدل وجود دارد. برخی روشها نیاز به دادههایی با قالب ویژه دارند. بنابراین بازگشت به مرحله پیشپردازش دادهها، اغلب لازم است.
ارزیابی مدل: در این مرحله از پروژه، مدلهای ساخته شده که به نظر میرسد از دیدگاه تحلیل دادهها، دارای کیفیت بالایی باشد، پیش از استفاده نهایی، برای اطمینان از توانایی مدل برای دستیابی به اهداف تجاری، ارزیابی و بازبینی میشوند. در پایان این مرحله باید درباره استفاده از نتایج دادهکاوی تصمیم گرفت.
بکارگیری: معمولا ساختن مدل، مرحله پایانی پروژه نیست. حتی اگر هدف از مدل، ارتقا دانش نسبت به دادهها باشد، باید دانش به دست آمده به شکلی سازماندهی و ارائه شود تا مشتریان بتوانند از آن استفاده کنند. بر حسب نیاز، مرحله بکارگیری میتواند به سادگی تولید یک گزارش و یا به پیچیدگی پیادهسازی یک فرآیند تکراری دادهکاوی برای یک موسسه تجاری باشد. در بسیاری از موارد، این مشتری و نه تحلیلگر داده است که مرحله بکارگیری را انجام میدهد. هر چند اگر تحلیلگر داده بخواهد مرحله بکارگیری را انجام دهد، برای مشتری مهم است پیشاپیش بداند برای استفاده واقعی از مدل ساخته شده، لازم است چه کارهایی انجام دهد ]27[.
2-8- چکیده فصل
در این فصل مفاهیم اولیه تحقیق به تفصیل بیان گردید. در بخش ابتدایی به مقوله انرژی الکتریکی، اهمیت و ویژگیهای آن از جمله عدم امکان ذخیرهسازی پرداخته شد. با بررسی تاریخچه و آمارهای مصرف برق در بخشهای مختلف خانگی، تجاری، عمومی، صنعتی، حملونقل و کشاورزی، مشخص شد که بخش خانگی دارای بیشترین تعداد مشترکین بوده و سهم عمدهای از مصرف را به خود اختصاص میدهد. پیشبینی میزان مصرف برق و شناخت الگوی مصرف به عنوان دو موضوع اصلی در مدیریت مصرف انرژی الکتریکی میباشد که تحت تاثیر عوامل مختلفی قرار دارند. بررسی این عوامل، نشاندهندهی این مطلب بود که عوامل اقتصادی و اجتماعی در درازمدت بر میزان مصرف موثر بوده، در حالیکه در دورههای کوتاهمدت و میانمدت نقش عوامل محیطی برجستهتر است. در بخش بعدی، با معرفی دادهکاوی و بیان اهداف آن، روشهای مورد استفاده برای پیشبینی و توصیف مورد بررسی قرار گرفت. در انتها مراحل ششگانهی استاندارد CRISP-DM جهت استفاده در این پژوهش توضیح داده شد.
فصل سوم: مروری بر ادبیات تحقیق
3-1- پیشینه تحقیق
تحقیق در زمینه پیشبینی میزان مصرف انرژی الکتریکی، در سالهای اخیر، توجه بسیاری از محققین را به خود جلب کرده است. دورههای زمانی پیشبینی که میتواند از یک ساعت تا چند سال باشد و نیز متغیرهای موثر بر مصرف برق موجب تنوع و پیچیدگی در الگوهای مصرف برق گردیده است. از طرف دیگر، وجود ابزارهای متعدد در زمینهی پیشبینی، منجر به گسترش مدلهای پیچیده شده است.
طبق مطالب ارائه شده در فصلهای پیشین، مسئلهی پیشبینی میزان مصرف انرژی الکتریکی، با توجه به دورههای زمانی به سه نوع درازمدت، میانمدت و کوتاهمدت تقسیم میشود. دورهی زمانی درازمدت شامل یک تا چند سال، میانمدت از چند روز تا چند هفته و چند ماه، و کوتاهمدت معمولا دورههای از یک ساعت تا چند روز را پوشش میدهد.
همچنین الگوی مصرف برق بصورت توابع پیچیده و غیرخطی است که در حالت کلی تحت تاثیر عوامل اقتصادی (تولید ناخالص داخلی، درآمد ملی، سرمایه و ... )، عوامل اجتماعی ( جمعیت، فرهنگ و ... ) و عوامل محیطی ( دما، آلودگی، منطقه جغرافیایی و ... ) قرار میگیرد.
بهطور کلی، دو رویکرد متفاوت از روشهای پیشبینی وجود دارد، یکی آنهایی که بر اساس تجزیه و تحلیلهای آماری هستند و دیگری آنهایی که مبتنی بر تکنیکهای دادهکاوی و هوش محاسباتی میباشند. تلاشهای زیادی توسط محققان به منظور پیشبینی بهینه مصرف برق در بسیاری از کشورها انجام گرفته است، که در ادامه به بیان چند نمونه و بررسی آنها از سه جنبهی دوره پیشبینی، عوامل موثر در نظر گرفته شده در پژوهش، و روش استفاده شده برای پیشبینی میزان مصرف در دورهی بعدی میپردازیم:
چینگ لای به بررسی تاثیر متغیرهای آبوهوایی بر میزان تقاضای ماهیانه ( میانمدت) برق در انگلستان و ولز پرداخت. یک مدل رگرسیون چندگانه برای پیشبینی تقاضای ماهیانه برق بر اساس متغیرهای آبوهوایی، تولید ناخالص داخلی، و رشد جمعیت توسعه داده شد ]28[.
در مطالعه دیگر اجیلیاوغلو و همکارانش تاثیر متغیرهای اقتصادی را بر مصرف سالیانه (دراز مدت) برق در قبرس برای دوره زمانی 1988-1997 مورد مطالعه قرار دادند. با استفاده از تجزیه و تحلیل رگرسیون چندگانه، به این نتیجه دست یافتند که تعداد مشتریان، قیمت برق و تعداد گردشگران (توریستها) با مصرف سالیانه برق رابطه قابل توجهی دارند ]29[.
آزاده وهمکارانش با تجمیع شبکههای عصبی و سریهای زمانی، میزان مصرف ماهیانه برق را برای 20 سال گذشته در ایران پیشبینی کردند و این کار از طریق الگوریتم ژنتیک بهینهسازی شد ] 30,31 [.
وی در تحقیق دیگری به پیشبینی میزان بار مصرفی ماهیانه کل کشور بر اساس سری زمانی مصرفی برق از مارس 1997 تا فوریه 2005 با استفاده از الگوریتمهای ژنتیک پرداخته است ]32[.
نصر و همکارانش با استفاده از شبکه های عصبی مدلی برای پیشبینی مصرف انرژی الکتریکی در کوتاهمدت در لبنان ارائه کرد. در این پژوهش چهار روش شبکهی عصبی ارائه و اجرا شد: (1) مدل تک متغیری بر اساس مقادیر مصرف در گذشته، (2) مدل چند متغیره بر اساس سریهای زمانی پیشبینی مصرف انرژی و یک متغیر وابسته آبوهوایی، با نام درجه روزها، (3) مدل چند متغیره بر اساس پیشبینی مصرف انرژی و متغیر تولید ناخالص ملی. و (4) در نهایت مدل ترکیبی که مصرف انرژی، درجه روزها و تولید ناخالص ملی را با هم ترکیب میکند ]33[.
بو یک مدل پیشبینی کنندهی متناوبی برای مصرف ماهیانه برق بر طبق تغییرات موجود در مصرف ارائه کرد. وی در تحقیق خود از روش باکس جنکینز (از روشهای سری زمانی) استفاده نمود ]8[.
یک سیستم استنتاج فازی عصبی تطبیقی توسط یوئیل به منظور توسعهی مدل پیشبینی کوتاهمدت برای شبکههای برق آفریقای جنوبی، با در نظر گرفتن دما و رطوبت به عنوان پارامترهای اصلی آبوهوایی موثر بر میزان مصرف انرژی الکتریکی ایجاد شد ]34[.
توسط کودوجیانیس و همکارانش، پیادهسازی مدلهای مبتنی بر شبکه عصبی برای پیشبینی مصرف برق بصورت ساعتی در جزیره کرت یونان مورد بحث قرار گرفته است. نتایج به دست آمده نشان داد که طرحهای پیشنهادی پیشبینی بار نسبت به سایر روشهای مرسوم برتر بودند ]35[.
سانتوس از شبکههای عصبی در پیشبینی بار برای ساعت بعدی (کوتاهمدت) استفاده کرد. در این روش، همچنین امکان شمول متغیرهای آبوهوایی در بردار ورودی تجزیه و تحلیل شده، و نتیجه نهایی ایجاد یک مدل از نوع غیرحساس به آبوهوا بود ]36[.
محمد و بودگر آنالیز رگرسیون خطی چندگانه برای پیشبینی و بررسی تاثیر متغیرهای دموگرافیک و اقتصادی انتخاب شده بر مصرف سالیانه برق در نیوزلند را به کار برد ]37[.
عبدالعزیز شریف به پیشبینی میزان بار موردنیاز 24 ساعت بعدی در غرب عربستان با استفاده از دو تکنیک شبکه عصبی و PSO با در نظر گرفتن متغیرهای آبوهوایی به عنوان عامل موثر بر مصرف پرداخته است ]38[.
جفری و کلوین با استفاده از سه تکنیک رگرسیون، درخت تصمیم و شبکه عصبی به بررسی میزان مصرف ماهیانه مشترکین خانگی در هنگکنگ پرداخته است، وی از طریق پرسشنامه به جمعآوری اطلاعات 1516 مشترک در رابطه با لوازم برقی خانگی آنها شامل مدل، قدرت مصرفی و ... در بازههای زمانی 30 دقیقهای به مدت یک هفته در فصلهای تابستان و زمستان 1999-2000 اقدام نمود و در نهایت با در نظر گرفتن شرایط آبوهوایی از جمله حداقل و حداکثر دما و رطوبت، این پیشبینی را انجام داده و دقت سه تکنیک مذکور را مورد مقایسه قرار داد ]39[.
فارو، کلکوترونی و سانتاموریس به پیشبینی میزان برق مصرفی 90 هتل در کشور یونان به صورت ماهیانه پرداختهاند. در این تحقیق عوامل موثر در نظر گرفته شده متغیرهای آبوهوایی و ویژگیهای ساختمانی هتلها بوده و در نهایت با استفاده از الگوریتم K-means به خوشهبندی آنها در محیط MATLAB پرداخته و ویژگیهای مختلف هر خوشه را برشمردهاند ]41[.
نقی و همکارانش در شرق اسلووکی با استفاده از دادههای روزانهی مصرفی برق ( 1 ژانویه 1997 تا 1 دسامبر 1998 ) و بر اساس متغیرهای آبوهوایی همچون دمای متوسط روزانه و متغیرهای زمانی همانند نوع روز و تعطیلات به پیشبینی میزان مصرف در روز بعد در محیط MATLAB پرداختهاند. در این تحقیق ابتدا بر اساس متغیرهای ذکر شده و با استفاده از الگوریتم SOM، مصرفکنندگان به خوشههای مختلف تقسیمبندی شده، سپس با استفاده از الگوریتم SVR، پیشبینی انجام گرفته است ]41[.
غمزه و همکارانش با استفاده از تکنیکهای رگرسیون بردار پشتیبان و شبکههای عصبی و نیز با در اختیار داشتن اطلاعات ماهیانه برق مصرفی از سال 1975 تا 2006 به پیشبینی بار ماهیانه کشور ترکیه از سال 2007 تا 2011 اقدام نموده است. یافتههای وی بیانگر دقت بالای SVR نسبت به شبکههای عصبی در تحقیق مذکور میباشد ]42[.
حمزک ابی از تکنیک شبکههای عصبی برای پیشبینی مصرف انرژی کل شبکه برق کشور ترکیه در سال 2020 استفاده کرده است. این پیشبینی صرفا بر اساس میزان مصرف چهار بخش خانگی، کشاورزی، حملونقل و صنعت ترکیه از سالهای 1970 تا 2004 در درازمدت بوده است ]43[.
کاواکلیاوغلو با در نظر گرفتن عوامل اقتصادی همچون میزان صادرات، واردات، تولید ناخالص ملی، و با استفاده از اطلاعات مصرفی سالیانه از 1975 تا 2006 با الگوریتم SVR به پیشبینی میزان انرژی الکتریکی مورد نیاز تا سال 2026 پرداخته است ]20[.
در تحقیقی مشابه وی و همکارانش با در نظر گرفتن متغیرهای اقتصادی به عنوان عوامل موثر بر مصرف با استفاده از شبکههای عصبی و دادههای 1975 تا 2006 به پیشبینی برق مورد نیاز کشور ترکیه تا سال 2027 پرداختند ]13[.
آزاده و همکارنش به بررسی مصارف سالیانه بخش صنعت کشور ایران با استفاده از دادههای سری زمانی مصرفی و با بکارگیری شبکههای عصبی از 1979 تا 2003 پرداخته است ]44[.
بکالی و همکارانش به پیشبینی کوتاهمدت روزانهی مصرف برق در منطقه پالرمو ایتالیا که دارای آبوهوای مدیترانهای میباشد،و با در نظر گرفتن عوامل آبوهوایی از 1 ژوئن 2002 تا 10 سپتامبر 2003، پرداخته است ]7[.
راسانین و همکارانش در سال 2008 طی یکسال به جمعآوری میزان مصرف ساعتی 3989 مشترک در کشور فنلاند در بخشهای مختلف مصرف پرداخته، سپس با استفاده از الگوریتمهای SOM و K-means و با در نظر گرفتن دمای هوا به عنوان عامل موثر، مشترکین را به 18 گروه خوشهبندی نموده است ]21[.
3-2- چکیده فصل
تمامی تحقیقات ذکر شده در بالا بیانگر این مطلب است که معمولا پیشبینی بار بصورت کلی بوده و کارکرد مشترکین در نظر گرفته نمیشوند، بلکه مصرف مجموعهای از مشترکین و در حالت مرسومتر کل کشور مورد بررسی قرار میگیرد. بنابراین پیشبینی مصرف تک تک مشترکین میتواند رویکرد جدیدی در زمینه پیشبینی بار باشد. همچنین اکثر تحقیقات در زمینه پیشبینی، مربوط به دورههای زمانی درازمدت و کوتاهمدت میباشد، لذا میتوان ادعا کرد که پیشبینی بار در میانمدت یک جنبه جدید از پیشبینی بار شبکه برق است ]8[. از سوی دیگر، الگوهای رفتار مصرف برق مشترکین تحت تاثیر عوامل موثر بر مصرف انرژی الکتریکی، در پژوهشهای اندکی مورد بررسی قرار گرفته است. بنابراین ما در این مجال بر آنیم که به پیشبینی میزان مصرف بار و بررسی رفتار مصرفی مشترکین در میانمدت با استفاده از تکنیکهای دادهکاوی بپردازیم.
منابع
]1[ معاونت امور برق و انرژی، دفتر برنامهریزی کلان برق و انرژی، وزارت نیرو. ترازنامه انرژی 1389، (زمستان1390).
]2[ آهویی، محمدحسین (1378). تاثیر گذارترین‌های تاریخ: شرح احوال و آثار یکصد نفر از موثرترین شخصیت‌های تاریخ جهان. چاپ اول. تهران: انتشارات روزنه.
]3[ مهذب ترابی، سعید. مواخذ قانونی و راهبردهای بهینهسازی مصرف انرژی در کشور. سازمان انرژی بهرهوری ایران (سابا).
]4[ نصیری، نوید (1389). بکارگیری روشهای دادهکاوی در بانکداری الکترونیک برای شناسایی تراکنشهای مالی مشکوک. پایاننامه کارشناسی ارشد، ص 19، قم: دانشگاه قم.
]5[ دفتر فنآوری اطلاعات و آمار، معاونت منابع انسانی و تحقیقات، وزارت نیرو(شهریور ماه 1390). آمار تفصیلی صنعت برق ایران ویژه توزیع نیروی برق در سال 1390. چاپ اول. تهران: انتشارات شرکت مادر تخصصی توانیر.
[6] Dilaver, Zafer; Hunt, Lester C. “Modelling and forecasting Turkish residential electricity demand”, Journal of Energy Policy, Vol. 39: 3117-3127, 2001.
[7] Beccali, M.; Cellura, M.; LoBrano, V.; Marvuglia, A. “Short-term prediction of household electricity consumption: Assessing weather sensitivity in a Mediterranean area”, Journal of Renewable and Sustainable Energy Reviews, Vol. 12: 2040-2065, 2008.
[8] Sadeghi Keyno, H.R.; Ghaderi, F.; Azadeh, A.; Razmi, J. “Forecasting electricity consumption by clustering data in order to decrease the periodic variable’s effects and by simplifying the pattern”, Journal of Energy Conversion and Management, Vol. 50: 829-836, 2009.
[9] Arghira, Nicoleta; Hawarah, Lamis; Ploix, Stéphane; Jacomino, Mireille. “Prediction of appliances energy use in smart homes”, Journal of ENERGY, Vol. 48: 128-134, 2012.
[10] Selbas, Resat; Sencan, Arzu and Kucuksille, Ecir U. “Data Mining Method for Energy System Applications”, Suleyman Demirel University, Turkey:14.
[11] Xu, Minjie; Hu, Zhaoguang; Wu, Junyong; Zhou, Yuhui. “A hybrid society model for simulating residential electricity consumption”, Journal of Electrical Power and Energy Systems, Vol. 30: 569-574, 2008.
[12] Tsekouras, G.J.; Kotoulas, P.B.; Tsirekis, C.D.; Dialynas, E.N.; Hatziargyriou, N.D. “A pattern recognition methodology for evaluation of load profiles and typical days of large electricity customers”, Journal of Electric Power Systems Research, Vol. 78: 1494-1510, 2008.
[13] Kavaklioglu, Kadir; Ceylan, Halim; Ozturk, Harun Kemal; Ersel Canyurt, Olcay. “Modeling and prediction of Turkey’s electricity consumption using Artificial Neural Networks”, Journal of Energy Conversion and Management, Vol. 50: 2719-2727, 2009.
[14] Kheirkhah, A. ; Azadeh, A.; Saberi, M. ; Azaron, A.; Shakouri, H. “Improved Estimation of Electricity Demand Function by Using of Artificial
Neural Network, Principal Component Analysis and Data Envelopment Analysis", Computers & Industrial Engineering, 2012.
[15] Wang, Yuanyuan; Wang, Jianzhou; Zhao, Ge; Dong, Yao. “Application of residual modification approach in seasonal ARIMA for electricity demand forecasting: A case study of China”, Journal of Energy Policy, Vol. 48: 284-294, 2012.
[16] Mazandarani, A.; Mahliaa, T.M.I.; Chonga, W.T.; Moghavvemi, M. “Fuel consumption and emission prediction by Iranian power plants until 2025”, Journal of Renewable and Sustainable Energy Reviews, Vol. 15: 1575-1592, 2011.
[17] Amina, M.; Kodogiannis, V.S.; Petrounias, I.; Tomtsis, D. “A hybrid intelligent approach for the prediction of electricity consumption”, Journal of Electrical Power and Energy Systems, Vol. 43: 99-108, 2012.
[18] Zhu, Suling; Wang, Jianzhou; Zhao, Weigang; Wang, Jujie. “A seasonal hybrid procedure for electricity demand forecasting in China”, Journal of Applied Energy, Vol. 88: 3807-3815, 2011.
[19] Stojanovic, Milos B.; Bozic, Milos M. and Stankovic, Milena M. “Mid-Term Load Forecasting Using Recursive Time Series Prediction Strategy With Support Vector Machines”, Faculty of Electronics Engineering, Vol. 23, No. 3: 287-298, December 2010.
[20] Kavaklioglu, Kadir. “Modeling and prediction of Turkey’s electricity consumption using Support Vector Regression”, Journal of Applied Energy, Vol. 88: 368–375, 2011.
[21] Räsänen, Voukantsis, Niska, Karatzas, Kolehmainen. “Data-based method forcreating electricity use load profiles using large amount of customer-specific hourly measured electricity use data”, Journal of Applied Energy, Vol. 87: 3538–3545, 2010.
[22] Lam, Joseph C.; Wan, Kevin K.W.; Cheung, K.L. “An analysis of climatic influences on chiller plant electricity consumption”, Journal of Applied Energy, Vol. 86: 933–940, 2009.
[23] Hand, David; Mannila, Heikki; Smyth, Padhraic (2001). Principles of Data Mining. ISBN13: 978-0-262-08290-7, The MIT Press.
[24] Tan, Pang-Ning; Steinbach, Michael; Kumar, Vipin (2005). Introduction to Data Mining. 1ST ed., ISBN: 0-321-32136-7, Published by Addison Wesley.
[25] Edelstein, Herbert A. (1999). Introduction to Data Mining and Knowledge Discovery, Third Edition.
[26] Han, Jiawei and Kamber, Micheline (2006). Data Mining Concepts and Techniques, Second Edition.
[27] Chapman et al. (August 2000). CRISP-DM 1.0: Step-by-step data mining guide, SPSS Inc.
[28] Chiang-Lai H., Marmont A., Simon W., Shanti M., “Analysing the impact of weather variable on monthly electricity demand”, IEEE Trams :2078-2085, 2005.
[29] Egelioglu F., Mohamad A.A., Guven H., “Economic variables and electricity consumption in northern Cyprus”, Journal of Energy, Vol. 26: 355-362, 2001.
[30] Azadeh, A.; Saberi, M.; Ghaderi, S.F.; Gitiforouz, A.; Ebrahimipour, V. “Improved estimation of electricity demand function by integration of fuzzy system and datamining approach”, Journal of Energy Conversion and Management, Vol. 49: 2165-2177, 2008.
[31] Azadeh, A.; Ghaderi, S.F.; Sohrabkhani, S. “Forecasting electrical consumption by integration Of Neural Network, time series and ANOVA”, Department of Industrial Engineering and Research Institute of Energy Management and Planning, Faculty of Engineering, University of Tehran.
[32] Azadeh, A.; Tarverdian, S. “Integration of genetic algorithm, computer simulation and design of Experiments for forecasting electrical energy consumption”, Journal of Energy Policy, Vol. 35: 5229–5241, 2007.
[33] Nasr, GE; Badr, EA; Younes, MR. “Neural networks in forecasting electricity energy consumption: Univariate and multivariate approaches”, Int J Energy Res: Vol. 26: 67–78, 2002.
[34] Yuill, W.; Kgokong, R.; Chowdhury, S. “Management of short term load forecasting in South African power networks”, International conference on power system technology (POWERCON): 1–8, 2010.
[35] Kodogiannis, VS; Anagnostakis, EM. “A study of advanced learning algorithms for short-term load forecasting” Eng Appl Artif Intell J, Vol. 44, No. 9: 159–73, 1999.
[36] Santos, PJ; Martins, AG; Pires, AJ; Martins, JF; Mendes, RV. “Short-term load forecast using trend information and process reconstruction”, Int J Energy Res: Vol. 30: 811–22, 2006.
[37] Mohamed, Z.; Bodger, P. “Forecasting electricity consumption in New Zealand using economic and demographic variables”, Journal of Energy, 2003.
[38] Alshareef, Abdulaziz. “Next 24-Hours Load Forecasting for the Western Area of Saudi Arabia Using Artificial Neural Network and Particle Swarm Optimization”, Journal of Engineering and Computer Sciences, Vol. 3, No. 2: 97-117, July 2010.
[39] Geoffrey, K.F. Tso, Kelvin, K.W. Yau, “Predicting electricity energy consumption: A comparison of regression analysis, decision tree and neural networks”, Journal of Energy, Vol. 32: 1761-1768, 2007.
[40] Farroua, Ifigenia; Kolokotroni, Maria; Santamouris, Mat. “A method for energy classification of hotels: A case-study of Greece”, Journal of Energy and Buildings, Vol. 55: 553–562, 2012.
[41] Nagi, Jawad; Siah Yapb, Keem; Nagi, Farrukh; Kiong Tiongb, Sieh; Ahmed, Syed Khaleel. “A computational intelligence scheme for the prediction of the daily peak load”, Journal of Applied Soft Computing , Vol. 11: 4773–4788, 2011.
[42] Ogcu, Gamze; Demirel, Omer F.; Zaim, Selim. “Forecasting Electricity Consumption with Neural Networks and Support Vector Regression”, Journal of Procedia - Social and Behavioral Sciences, Vol. 58: 1576 – 1585, 2012.
[43] Hamzacebi, Coskun. “Forecasting of Turkey’s net electricity energy consumption on sectoral bases”, Journal of Energy Policy, Vol. 35: 2009–2016, 2007.
[44] Azadeh, A.; Ghaderi, S.F.; Sohrabkhani, S. “Annual electricity consumption forecasting by neural network in high energy consuming industrial sectors”, Journal of Energy Conversion and Management, Vol. 49: 2272–2278, 2008.
[45] Tan, Pang-Ning; Michael, Steinbach; Kumar, Vippin. (2005). Introduction to Data Minin. 1ST Edition, ISBN: 0-321-32136-7, Published by Addison Wesley.
[46] (2007). Clementine ® 11.1 User’s Guide. ISBN-13: 978-1-56827-387-7, SPSS Inc.
[47] Rokach, L.; Maimon, O. (2008). Data Mining with Decision Trees: Theory and Applications. World Scientific Publishing.
[48] Antipov, Evgeny; Pokryshevskaya, Elena. “ Applying CHAID for logistic regression diagnostics and classification accuracy improvement”, Journal of Targeting, Measurement and Analysis for Marketing, Vol. 18: 109-117, 2010.
]49[ علیرضا قراباغی، ویژگی های صنعت برق در جهان و ایران، 1386.
[Online]. < http://entecnews.blogsky.com/1386/04/22/post-373>. [5 January 2013]
]50[ شرکت مدیریت تولید برق زنجان، تاریخچه صنعت برق در ایران.
[Online].
. [23 December 2012]
]51[ آمار صنعت برق، شرکت توانیر
[Online] < http://amar.tavanir.org.ir/pages/project/generation/taarif/tozie.php>. [18 September 2012]
[52] IEA, International Energy Agency, Online Data Services.
[Online] . [24 December 2012]
[53] Diebel, James; Norda, Jacob. “Beautiful Weather Graphs and Maps”.
[Online]. < http://weatherspark.com/features_and_help>. [ 1 January 2013]
[54] Diebel, James; Norda, Jacob. “Average Weather For Urmia, Iran”
[Online]. < http://weatherspark.com/averages/32836/Urmia-Azarbayjan-e-Gharbi-Iran>. [ 1 January 2013]
قیمت: 59٬000 تومان
قیمت: 59٬000 تومان
قیمت: 59٬000 تومان
قیمت: 59٬000 تومان
قیمت: 59٬000 تومان
قیمت: 59٬000 تومان
قیمت: 59٬000 تومان
قیمت: 59٬000 تومان
قیمت: 59٬000 تومان
قیمت: 59٬000 تومان
