مدلسازی و پیش بینی اوج مصرف روزانه برق در ایران (مقاله علمی وزارت علوم)
درجه علمی: نشریه علمی (وزارت علوم)
آرشیو
چکیده
پیش بینی اوج مصرف روزانه برق و شناسایی عوامل تعیین کننده آن در توازن بین عرضه و تقاضای برق کمک کننده است. در این پژوهش اوج مصرف روزانه برق ایران را با رویکردهای مختلف در دوره 30/12/1395- 16/03/1401مدلسازی و پیش بینی می شود. 90 درصد مشاهدات برای ساخت مدل و مابقی برای ارزیابی مدل پیش بینی استفاده می شود. نورن های بهینه لایه های پنهان مدل شبکه عصبی(NN) بر اساس معیار حداقل خطای پیش بینی در لایه اول 11 و در لایه دوم 8 برآورد شد. نتایج نشان می دهد که فراوانی اوج اول مصرف در ساعت 11 و فراوانی اوج دوم مصرف در ساعت 21 بیشتر از بقیه ساعات است. متغیرهای تعطیلات رسمی، ساعت مصرف انرژی، تعداد مبتلایان جدید به کرونا، دما و رطوبت نسبی هوا و جمعیت در مدل رگرسیون اثر معنی دار بر اوج مصرف برق دارند. همچنین اثر متغیر تعطیلات رسمی و دمای هوا بیشتر از سایر متغیرها است. مقایسه نتایج پیش بینی اوج مصرف برق نشان می دهد که دقت پیش بینی مدل ها و رویکردهای مختلف یکسان نیست. متوسط درصد خطای پیش بینی مدل های GLM،NN و ARIMA طی 187روز(11/09/1400-16/03/1401) به ترتیب 0/0799، 0/0754 و 0/0714 است. پس مدل ARIMA با داشتن حداقل متوسط خطای پیش بینی، مدل مناسب پیش بینی اوج مصرف است.Modeling and prediction of peak daily electricity consumption in Iran
Predicting daily peak electricity consumption and identifying its determining factors are helpful in balancing electricity supply and demand. In this study, the maximum daily electricity consumption of Iran is modeled and predicted using different approaches in the period from March 20, 2017 to june 6, 2022. 90% of the observations are used to build the model and the rest are used to evaluate the predictive model. Based on the minimum prediction error criterion, the optimal neurons of the hidden layers of the neural network (NN) model were estimated to be 11 in the first layer and 8 in the second layer. The results show that the frequency of the first consumption peak at 11 a.m. and the frequency of the second consumption peak at 9 p.m. are higher than in the other hours. The variables holidays, hours of energy consumption, number of new corona patients, temperature and relative humidity of the air and population have a significant influence on peak electricity consumption in the regression model. The influence of holidays and air temperature is also stronger than other variables. Comparing the peak power consumption prediction results shows that the prediction accuracy of different models and approaches is not the same. The average prediction error percentage of the GLM, NN, and ARIMA models during 187 days (02/12/2021 - 06/06/2022) are 0.0799, 0.0754, and 0.0714, respectively. Therefore, the ARIMA model with the minimum average forecast error is a suitable model for peak consumption forecasting.
تبلیغات
