پالايش داده هاي آموزشي شبكه عصبي و بررسي تأثير آن در كاهش خطاي پيش بينيكوتاه مدت بار سيستمها ي قدرت

امير مشاري* ، اكبر ابراهيمي**، سعيد صدري** و محمد ابراهيمي** دانشكدة مهندسي برق و كامپيوتر، دانشگاه صنعتي اصفهان

(دريافت مقاله: ٢٧/١٢/١٣٨٦- دريافت نسخه نهايي: ١/٦/١٣٨٨)

چكيده – بروز شراي ط غيرعادي در سيست م ق درت مانن د اضافه بار خطوط، بارزدايي، فروپاشي شب كه، و ديگ ـر ش ـراي ط اض ـطراري و همچن ـينعواملي مانن د ع دم دق ت اپراتورها و وجود خطا در سيست م ثب ت اطلاعات ميتوان د باع ث شود كه برخي از پروفايلهاي بار ثب ت ش ده مط ـابق الگ ـوينرمال بار نباشن د. پالايش اينگونه پروفايلها از مجموعة دادههاي آموزشي شب كههاي عصبي كه براي پيشبيني كوت ـاه م ـ دت ب ـار در سي ـستمهاي ق درت بهكار ميرود، ميتوان د منجر به كاهش خطا شود و تأثير قاب ل توجهي در كاهش هزينه ها داشته باش د. در اين مقاله،براي پيشبين ـي كوت ـاهم دت بار در سيست م ق درت استان اصفهان، ي ك سيست م پيشبيني براساس شب كههاي عصبي پيشخور طراح ـي وب ـراي آم ـوزش آن از داده ه ـايپالايش ش ده به روشهاي تجربه خبره، مقايسه آماري و نيز الگوريت م ج دي دي مبتني بر تحلي ل مؤلفة اصلي استفاده ش ده اس ت. مقايسه مي ـزان ب ـارپيشبيني ش ده با بار واقعي اين سيست م ق درت، تأثير قاب ل ملاحظه پالايش داده هاي آموزشي در كاهش خط ـاي پ ـيش بين ـي را ن ـشان م ـي ده ـ د . همچنين، بررسي و مقايسه روش پيشنهادي با ديگر روشهاي ذكر ش ده مبين برتري آن از نظر سرع ت اجرا و نيز سهول ت بهكارگيري در شناسايي و پالايش داده هاي غيرعادي و در نتيجه پيش بيني بار با دق ت مناس ب اس ت.

واژگان كليدي : پيش بيني كوتاه م دت بار، شب كه هاي عصبي، پالايش داده ها، تحلي ل مؤلفة اصلي

76204325

* – كارشناس ارشد ** – استاديار
عددي
Filtering out the Training Data of ANN and Evaluation of Its Effect on Error Reduction in Short-Term Load Forecasting in Power Systems

A. Moshari, A. Ebrahimi, S. Sadri and M. Ebrahimi

Department of Electrical and Computer Engineering, Isfahan University of Technology

Abstract: Occurrence of special events such as overloads, load shedding, interruptions and faults, and shortcomings of operators in an error free manual recording of data are the main sources of anomalous load profiles imposing errors in Artificial Neural Network based Short-Term Load Forecasting (ANNSTLF) systems. In this paper, an ANNSTLF system is properly designed for the real power system of Isfahan Province and used to compare the impacts of filtering out the anomalous data by expert experience, statistical analysis, and a new algorithm based on the Principal Component Analysis (PCA). The results show that filtering out anomalous load-profiles before ANNSTLF can reduce the forecasting error efficiently. It is also shown that the proposed PCA filtering method is simpler in application and faster in response, yielding accurate forecasting results

Keywords: Short-term load forecasting, Artificial neural networks, Data filtering, Principle component analysis.
١- مقدمه
انرژي محور توسعه اقتصادي و اجتمـاعي در جهـان امـروزاست و انرژي الكتريكي بهدليل خـصوصيات ويـژهاش از سـايرانواع انرژي اهميت بيشتري دارد. تعقيب دقيق بار توسط سيستمتوليد انرژي در تمام زمانها يكي از نيازهاي اساسي سيـستمهايقدرت است . به همين دليل، پيشبيني كوتاه مدت بار در مقطـعزماني يك ساعت تا چند روز آينده در بهـره بـرداري اقتـصادي، براورد قابليت اطمينان و تخـصيص ظرفيـت ذخيـره چرخـان وديگر برنامه ريزيهاي كوتاه مدت در سيـستمهاي قـدرت كـاربردفراواني دارد . كيفيت پيشبيني كوتاه مدت بار تأثير قابل توجهيبر بازدهي فرايند توليد انرژي الكتريكي دارد زيرا تعـداد زيـادياز تصميمات عملياتي پر هزينه مانند زمانبندي اقتصادي توليـد،زمانبندي خريد سوخت، ارزيابي امنيت شـبكه و برنامـهريـزيبراي خريـدو فـروش انـرژي بـه پـيشبينـي كوتـاه مـدت بـاروابستهاند. همچنين با توجه به حركت صـنعت بـرق بـه سـمتبــازار رقــابتي و مطــرح شــدن بحــث تجديــد ســاختار وخصوصي سازي اين صنعت در سالهاي اخير، اهميت پـيشبينـيهرچه دقيقتر بار بيشتر شده است.
بعضي گزارش هاي موجود، تأثير قابل ملاحظه دقت پيشبيني بار بر كاهش هزينههاي ساليانه توليد را ارائه كرده اند. از جملـه،براساس نتايج مطالعهاي كه در سـال ۱۹۸۵ در انگلـستان انجـامگرفته، ديده شده است كه ۱ درصد افزايش خطاي پيشبيني بارمعادل افزايش ۱۰ ميليون پوند در هزينه توليد ساليانة انرژي برق اين كشور است[۱]. همچنين براي ۱۹ شركت توليد بـرق مـوردمطالعه در آمريكا، هنگامي كه محدودة خطاي پـيشبينـي كوتـاهمدت بار بين ۳% تا ۵% باشد، هر ۱% كاهش خطا معادل ۱/۰ تـا ۳/۰ درصد كاهش در هزينههاي توليد ساليانة اين شركتهاسـت .
بهعنوان مثال، براي يكي از اين شركتها با متوسط پيـك سـاليانة۳۵۰۰۰ مگاوات، با بهبود سيستم پـيشبينـي بـار و كـاهش ۵/۱ درصــدي در خطــا، ۶/۷ ميليــون دلار در هزينــه هــاي ســاليانه صرفه جويي شده است[۲].
در سـالهاي اخيـر، بـا توجـه بـه رشـد چـشمگير كـاربرد شبكههاي عصبي در زمينههاي مختلف، استفاده از اين شبكه ها براي حل مسئلة پيشبيني بار نيز بسيار رواج و نسبت به سايرروشها برتـري يافتـه اسـت [۳]. علـت ايـن موضـوع قابليـتفوقالعادة شـبكههـاي عـصبي در يـادگيري روابـط پيچيـده وغيرخطي است كه يافتن چنين روابطـي بـه كمـك تكنيكهـايقديميتر مانند رگرسيون يـا سـريهاي زمـاني، بـسيار مـشكلاست. اين توانايي، سيستمهاي پيشبيني بار مبتني بر شبكههاي عصبي را قادر به مدل كردن ارتباط ميان بار و عوامل مؤثر بـرآن مثل شرايط جوي، الگـوي مـصرف گذشـتة بـار و شـرايطزماني (دورههاي هفتگي و روزانـه، تعطـيلات رسـمي و آخـر
شمارة
هفته و . . .) ميكند. در سـالهاي اخيـر مطالعـات بـسياري درزمينـة بهبـود عملكـرد سيـستمهاي پـيش بينـي بـار مبتنـي بـر شبكههاي عصبي صورت گرفته اسـت. از جملـه سـعي شـدهاست تا با بهكارگيري تكنيكهايي چون منطـق فـازي [۴ و ۵]، الگوريتم ژنتيك [۶ و ۷] و روشـهاي ابتكـاري [۷ و ۸]، ميـزانخطا در پيش بيني بار كاهش يابد و همچنين بـه كـارگيري ايـنسيستمها به صـورت زمـان حقيقـي [۹ و ۱۰] و نيـز در بـازاررقابتي برق [۴ و ۱۱] بررسي شده است، اما كمتر بـه صـحتداده هاي آموزشي شبكه هاي عـصبي و تـأثير پـالايش آنهـا دركاهش خطا توجـه شـده اسـت. ايـن در حـالي اسـت كـه درسيستمهاي پيشبيني بار مبتني بر شبكه هـاي عـصبي، آمـوزشديدن اين شبكهها با دادههاي اشتباه مي توانـد سـبب يـادگيريرابطه اي غير واقعي و در نتيجه افزايش خطا شود.
در اين مقاله، مسئله پيشبيني كوتاه مدت بـار در سيـستم قدرت استان اصفهان مورد توجه قرار مي گيـرد و بـا طراحـييك سيستم پيشبيني كنندة مناسب براساس شبكههاي عصبيپيشخور، تأثير پـالايش دادههـاي آموزشـي بـر كـاهش خطـابررسي مي شـود . در بخـشهاي بعـدي ايـن مقالـه، ضـرورتپـالايش داده هـا مطـرح و چنـد روش بـراي پـالايش داده هـا پيشنهاد مي شود. در نهايت با معرفي سيستم پيشبينـي كوتـاهمدت بار طراحي شده براي شبكة قدرت مورد نظر، تحليل ومقايسه نتايج عددي بهدست آمـده از شـبيه سـازي روشـهايمذكور ارائه خواهد شد.

۲- ضرورت پالايش داده ها
وجود دادههاي غيرعـادي و پـرت در مجموعـة دادههـايآموزشي شبكه عصبي پيش بيني كنندة بار در نگـاه اول ممكـناست مسئله مهمي تلقي نشود. اما چنـين دادههـايي مـيتوانـدباعث افزايش چشمگيري در خطاي پيشبيني بـار شـود زيـرارابطة الگوي بار و عوامل مؤثر بر آن بـه شـكل يـك تـابع بـهشدت غير خطي است و مخدوش شدن الگوي بار به معناي از دست رفتن اين رابطه و در واقع آموزش دادن يك رابطة غلطبه شـبكة عـصبي اسـت . هـر چنـد در صـورت بـزرگ بـودنمجموعـة آمـوزش و كـم بـودن داده هـاي غيرعـادي و پـرت ميتوان از تأثير آن با تقريب خوبي چـشمپوشي كـرد، امـا درمسئلة پيشبيني كوتاه مدت بار كه تعداد پروفايلهاي بار مفيـدبه علت تغيير خصوصيات سيـستم قـدرت و پروفايـل بـار درطول زمان معمولاﹰ كم است، وجود چنين دادههـايي مـيتوانـددردسر ساز باشد.
بهطور كلي دادهها يا به عبارت ديگـر پروفايلهـاي بـار غيـرعادي را ميتوان به دو دسته تقـسيم كـرد. دسـتة اول دادههـاينادرستياند كه در اثـر عـواملي چـون ضـعف در سيـستم ثبـتاطلاعات، اشتباهات دستگاههاي اندازهگيري، خطاهاي انساني وبيدقتي اپراتورها بهوجود آمدهاند. فراواني اين نوع از دادههـايغيرعادي در كشورهاي بـا سـاختار سـنتي صـنعت بـرق (مثـلايران)، نسبتﹰا زياد است. ضرورت حذف اين داده هاي غيرواقعيبديهي و تأثير آن در كاهش خطاي پيش بيني قابل توجه است.
گروه دوم، دادههايي هستند كه مقادير واقعي بار مصرفيانـداما مربوط به زمانهايي هستند كه الگوي بار در اثر بـروز شـرايطخاص، متفاوت با الگوي نرمال بار است. اين شـرايط خـاص ازيكسو ميتواند بروز حالات اضطراري در سيستم قـدرت ماننـداضــافه بــار شــدن خطــوط و اجبــار بــه قطــع آنهــا، وقــايعپيشبيني نشده و اقدامات اصلاحي پيامد آن، بارزدايي، فروپاشيشبكه و خاموشيهاي گسترده باشد و از سوي ديگر ميتوانـد دراثـر عـواملي چـون پخـش برنامـه هـاي تلويزيـوني پرطرفـدار، اعتصابات، طوفان و غيره رخ دهد. بنابراين به وجود آمدن ايـنگروه از دادههاي غير عادي در سيستمهاي قدرت اجتناب ناپـذيراست و در ساختارهاي پيشرفتة صنعت برق نيز ديده ميشـوند .
ممكن است چنين تصور شود كـه حـذف گـروه دوم دادههـايغيرعادي موجب از دست رفتن بخشي از اطلاعات واقعـي بـارميشود ولي بايد توجه داشت كه زمان وقوع عوامل گفتـه شـدهغيرقابل پيش بيني و همچنين ميزان تأثير آنها بر الگوي بار بسيارمتفاوت است . بنابراين در پيشبيني كوتاه مدت بـار بهتـر اسـتشرايط سيستم قدرت عادي فرض شود و داده هاي غير عـادي از
مگا مگا
83/4/13 – 83/4/1984/4/11 – 84/ 4/17

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
ساعت ساعت
شكل١- نمونة پروفايلهاي بار عادي مربوط به تير ماه ٨٤

مجموعه داده هاي آموزشي حذف شود.
با بررسيهاي اوليه در پروفايلهاي بار ثبـت شـده در سيـستمقدرت استان اصفهان در فاصله زمـاني سـالهاي ۱۳۸۱ تـا ۱۳۸۴ مشخص ش د كـه تعـداد قابـل تـوجهي از آنهـا (در حـدود ۲۰ درصد) در رده پروفايلهاي بار غير عادي قرار ميگيرنـد . وجـودپرشهاي شـديد چنـد صـد مگـا واتـي، و حتـي بـار منفـي(؟!) ضرورت پالايش اين دادههـا را قبـل از آمـوزش شـبكه عـصبيپيشبيني كننده بار آشكار ميسازد.
يكي از محدود روشهايي كه در سالهاي اوليه بـراي پـالايشداده ها در پيشبيني كوتاه مدت بار اسـتفاده شـده اسـت، روشفيلتر كالمن است. اين روش در شرايط بار عادي به خوبي كـارميكند [۱۴]، اما وقتي تغييرات غير طبيعي مثل پروفايلهـاي بـارغير عادي وجود دارد، به نتايج نادرست منجر ميشود. عمليـات رياضي سنگين، زمانبـر بـودن، عـدم دقـت ذاتـي و ناپايـداريعددي از ديگر نواقص اين روش محسوب مي شود [۱۵].
لازم به ذكر است كه مقـصود از پروفايلهـاي بـار غيرعـاديپروفايلهاي مربوط به تعطيلات رسمي نيست. زيرا اين گـروه ازپروفايلهاي بار هرچند الگويي متفاوت با روزهاي عـادي دارنـدولي هر ساله تكرار ميشوند و بهطوركلي در مسئلة پيش بيني بار به صورت جداگانه درنظر گرفته مي شوند.
در ادامه، ابتدا دو روش اصلي پالايش دادههاي آموزشي بـرشكل ٢- نمونة پروفايلهاي بار غيرعادي مربوط به تير ماه ٨٣
مبناي استفاده از تجربة خبره و مقايسة آماري معرفـي و سـپس،روش جديدي بر مبناي تحليل مؤلفة اصلي ارائه مي شود.

۳- پالايش داده ها بر مبناي تجربه خبره
مـؤثرترين روش تـشخيص دادههـاي غيرعـادي اسـتفاده از شناخت و تجربه خبره است. چنين شناختي با مطالعه، تحليل و بررسي تفصيلي پروفايلهاي بار روزهاي مختلف فراهم ميشود.
در شكل (١) نمونة متداول پروفايلهـاي بـار عـادي سيـستمقدرت استان اصفهان مربوط به يك هفته در تيرماه ١٣٨٤ ديـدهمي شود. شـباهت زيـاد پروفايلهـا ي بـار در روزهـاي شـنبه تـاچهارشنبه، تفاوت كم روز پنجشنبه با آنها و تفـاوت بيـشتر روزجمعه كاملا آشكار است. اكثريت قابل توجهي از پروفايلهاي بار روزانه از اين ويژگي، كم و بيش، برخوردارند.
در شكل (۲) نمونـههـايي از پروفايلهـاي بـار غيرعـادي درروزهاي پنجشنبه و جمعه مربوط به تيرماه ۱۳۸۳ ديده ميشـود .
غيرعادي بودن پروفايل بار روز جمعـه كـام ﹰلا مـشهود اسـت وبهنظر ميرسد اين پروفايل بار مربوط به دسـتة اول پروفايلهـايغيرعادي باشد. شكل (۳) پروفايلهاي بار غيرعادي در روزهـايسهشنبه و جمعـه در مردادمـاه سـال ۱۳۸۳ را نـشان مـي دهـد .
پروفايل بار روز جمعه به نظر ميرسد به دستة دوم پروفايلهـايغيرعادي تعلق داشته باشد و افت بسيار زياد بار در آن مي توانـد
مگا
83/5/17 – 83/5/23

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 ساعت
شكل ۳- نمونة پروفايلهاي بار غيرعادي مربوط به مرداد ماه ۸۳

ناشي از وقوع يك خاموشي گسترده باشد.
در اين روش پالايش، پروفايلهاي غيرعـادي از طريـق مقايـسهبا پروفايلهاي عادي، كه ويژگيهـايي مـورد انتظـار و نرمـال دارنـد،بهصورت شهودي و بر مبناي تجربه خبره تشخيص داده ميشـوندو سپس از مجموعة دادهها حذف ميشوند. امـا اسـتفاده از چنـينروشي براي شناسايي دادههاي غير عادي و پالايش آنهـا، در عـينحـال كـه مـيتوانـد مـؤثر باشـد، سيـستماتيك و سـاده نيـست وپيـاده سـازي آن در يـك سيـستم قـدرت واقعـي بـه علـت تعـدد نشانه هاي غير عادي بودن بار بسيار پيچيده و وقت گير خواهد بود.

۴- پالايش داده ها بر مبناي مقايسه آماري
با مقايسه آماري پروفايلهاي بار ميتوان به معيارهايي بـرايشناسايي داده هاي غيرعادي دست يافت. با بررسيهاي مفصل بـرروي پروفايلهاي بار ۲۴ ساعته مشخص شد كه هر پروفايل بـاررا ميتوان به كمك ۳ معيار اساسي بهصـورت منحـصر بـه فـردشناس ايي ك رد. اي ن س ـه معي ار اساس ي مي انگين، انح راف استاندارد و همبستگياند كه به ترتيب معـرف متوسـط مـصرفشبانهروزي بار، ميزان پراكندگي بـار شـبانهروزي حـول مقـدارمتوسط مصرف و شباهت هر پروفايل بار از نظر شكل به سـايرپروفايلهايند..
تعريف ميانگين براي پروفايل بار كه در واقـع دنبالـهاي بـهشـ كل L[n] ,n =1,…,24 اسـ ت بـ ه صـ ورت رابطـ ة (۱) است:
24
L

L[n] (۱)
انحراف استاندارد كه در واقع ريشة دوم واريـانس اسـت بـرايدنبالة فوق از رابطة (۲) به دست ميآيد:
SL

24
2
n1
1
(
L[n]L
)
24
=
=

24

2

n1

1

(

L[n]L

)

24

=

=



قیمت: تومان


دیدگاهتان را بنویسید