پایان نامه بررسی انرژی الکتریکی و شبکه نیرو
پيشگفتار
انرژي الكتريكي به عنوان محور اصلي توسعه صنعتي در ميان انواع انرژي از اهميت خاصي برخوردار است. اين انرژي با آنكه خود به انواع ديگر انرژي وابستگي دارد، اتكا شاخههاي مختلف اقتصادي به آن در حدي است كه براحتي ميتوان حد مصرف معقول اين انرژي در يك جامعه را به عنوان شاخص عمدهاي براي تعيين حد پيشرفت اقتصادي آن جامعه دانست.
بر خلاف سهولت استفاده از اين نوع انرژي و مطلوبيت آن، توليد و انتقال اين انرژي از پيچيدگي زيادي برخوردار بوده و در مجموع صنعت برق با ويژگيهايي در ميان ساير صنايع شاخص است، از جمله اين ويژگيها بايد از لزوم همزماني توليد و مصرف آن نام برد، به عبارت ديگر توليد برق فقط در مقابل مصرف آن مطرح ميگردد و بطور معمول قابل ذخيره كردن نيست. ديگر ويژگي اين صنعت سرمايه طلب بودن طرحها و پروژههاي آن و زمان بر بودن آنها است.
مجموعه اين خصوصيات و حساسيتها است كه پيشبيني صحيح نياز مصرف براي اين نوع انرژي در آينده را طلب مينمايد. چون هرگاه پيشبيني نياز مصرف يا بار شبكه بيش از حد واقعي باشد، سرمايه گذاري بيهوده در اين صنعت را بدنبال خواهد داشت و هر پيش بيني بار كمتر از واقعيت باعث لطمات شديد اقتصادي شده و جبران آن به مناسبت زمان بر بودن پروژههاي توسعهاي امكانات توليد و انتقال برق، غير ممكن است.
انرژي الكتريكي در مقياس وسيع به طور اقتصادي قابل ذخيره نميباشد. بدين دليل بر خلاف شاخههاي ديگر اقتصاد، در اقتصاد الكتريسيته بايد همزمان با مصرف، انرژي الكتريكي توليد گردد. ميزان مصرف بار الكتريكي ثابت نميباشد بلكه به صورت پيچيده و غير خطي تابعي از پارامترهاي متعددي ميباشد. با توجه به متغيير بودن ميزان مصرف بار الكتريكي، شركتهاي توليد كننده برق، موظفند با پيش بيني آن در زمانبنديهاي مختلف اطلاعات مورد نياز براي تصميمگيريهاي خود در سيستم قدرت را حاصل نمايد.
در دنياي خصوصي سازي جديد هر شركت سعي در افزايش قابليت اطمينان محصول خود و توليد بهينه توان براي مصرف كنندگان خود دارد. اين وظيفه عموماً از طريق پيش بيني فراهم ميشود. پيش بيني بارهاي ساعتي تا يك هفته جلوتر براي كارهاي برنامهريزي از قبيل هماهنگي بين واحدهاي آبي و حرارتي و سنجش تبادل با ديگر رقبا و براي آناليزهاي كوتاه مدت از قبيل پخش توان در مراكز ديسپاچينگ و پخش بهينه توان لازم است. به طور كلي پيش بيني بار بر اساس دوره پيش بيني به دستههايي تقسيم ميشود :
- برنامه ريزي بسيار كوتاه مدت (چند دقيقه تا چندين ساعت) : برنامه ريزي بسيار كوتاه مدت اطلاعات مورد نياز در پخش بار اقتصادي و تخمين اطمينان را تأمين مينمايد. همچنين پيش بيني بسيار كوتاه مدت (چند دقيقه تا چند ساعت) براي زمانبندي تعويض قدرت بين شركتها و مطالعه تحميلات انتقال مفيد ميباشد.
- برنامه ريزي كوتاه مدت (يك روز تا يك هفته) : برنامه ريزي كوتاه مدت براي برنامه ريزي روزانه و هفتگي، در مدار قرار گرفتن بهينه نيروگاهها (بهينه سازي ولتاژ/ توان راكتيو، برنامهريزي براي انرژي رزرو مورد نياز، زمان بهرهبرداري پمپي از نيروگاههاي پمپ ذخيرهاي) و تبادل انرژي با شركا استفاده ميشود.
- برنامهريزي ميان مدت (1 ماه تا 5 سال) : در برنامهريزي ميان مدت، با در نظر گرفتن توان و تركيب نيروگاههاي موجود، ميزان ذخيره سوخت، ميزان ذخيره آب مخزنها، در مورد نحوه و زمان بكارگيري نيروگاههاي حرارتي و آبي، تهيه سوخت، ميزان تبادل انرژي الكتريكي با سيستمهاي همسايه در سيستمهاي بهم پيوسته، زمانبندي بهينه براي بازرسي و تعميرات نيروگاهها و شبكه تصميمگيري ميشود.
- برنامه ريزي بلند مدت (5 تا 30 سال): در برنامه ريزي بلند مدت با در نظر گرفتن توان و تركيب و طول عمر نيروگاههاي موجود، توانايي شبكه انتقال و توزيع، قراردادهاي بلند مدت براي تبادل انرژي الكتريكي با سيستمهاي مجاور (كشورهاي همسايه) در سيستمهاي بهم پيوسته، در مورد نوع، اندازه و محل احداث نيروگاههاي جديد، نحوه گسترش شبكه، بستن و يا تجديد نظر در قراردادها و … تصميمگيري ميشود.
بار در يك شبكه برقرساني به مجموع مصارف مختلف انرژي الكتريكي در يك واحد زماني اتلاق ميگردد. بار شبكه به مناسب همزماني و غير همزماني مصرف انرژي در بخشهاي مختلف دستخوش تغييراتي در طول شبانه روز، هفته، ماه و سال ميگردد.
اگر به يك منحني تغييرات بار بيستو چهار ساعته در الگوي مصرف انرژي الكتريكي ايران توجه كنيم ملاحظه ميشود كه منحني از يك حداقل غير صفر شروع ميشود و پس از عبور از آن، با يك شيب نسبتاً تند به سمت كوهان دوم كه بزرگتر از كوهان اول است ميل نموده، پس از گذر از آن دوباره به سمت حداقل ميل ميكند. بايد توجه داشت كه ظهور اين دو كوهان ناشي از همزماني مصرف انرژي الكتريكي بخشهاي مختلف مصرف در طول يك شبانهروز است. جالب توجه است كه منحني تغييرات بار در طول ماه و سال نيز تقريباً روند مشابهي با تغييرات بار بيست و چهار ساعته دارد. در مطالعه بار بخصوص در پيش بيني بار اعم از پيشبيني بار ساعتي روزانه جهت تنظيم برنامه بهرهبرداري از نيروگاهها تا بار ماههاي سال براي تنظيم برنامه تعميرات منظم و دورهاي و بارهاي سالهاي آينده براي برنامهريزي توسعهاي اين متغيرها و عوامل مؤثر در پيدايش آنها مورد توجه قرار ميگيرد.
منحني مصرف براي مصرف كننده كاملاً تصادفي و غير مشخص بوده وقابل پيشبيني نيست و از سوي ديگر، هر مجموعه خاص از مصرف كنندهها منحني مصرف مخصوص به خود را دارا است، همچنين مصرف بار الكتريكي تابعي كاملاً غير خطي و بسيار پيچيده از پارامترهايي از جمله شرايط آب و هوايي، شرايط اقتصادي، زمان و عوامل تصادفي ميباشد. همچنين تقريباً هر روز هفته منحني خاص خود را دارد. لذا مدل مورد نظر بايد توانايي اين كار راد اشته باشد كه اثر تمامي اين عوامل را بر منحني مصرف در نظر بگيرد، همچنين بايستي خطاي پيش بيني تا حدامكان كم باشد، از طرفي داراي ساختاري ساده باشد و در كوتاهترين زمان ممكن به جواب نهايي برسد، و از همه مهمتر اينكه استفاده از آن براي برنامهريزان و اپراتورها ساده باشد. لذا با توجه به اهميت پيش بيني بار كوتاه مدت و خواصي كه براي يك برنامه ريزان و اپراتورها ساده باشد. لذا با توجه به اهميت پيش بيني بار كوتاه مدت و خواصي كه براي يك برنامه پيشبيني بار بر شمرديم، روشهاي مختلفي در اين زمينه ارائه شده است كه هر يك به نوعي داراي برخي كاستيها (و بخصوص در پيش بيني روزهاي تعطيل) بودند، با وارد شدن شبكههاي عصبي در اين عرصه تقريباً تمامي مدلها وروشهاي قبلي كنار گذاشته شد، چراكه اين شبكهها داراي تواناييهاي بسيار زيادي رد بيان روابط غير خطي ميباشند. در شكل صفحه بعد موارد استفاده پيشبيني بار كوتاه مدت آمده است.
شكل 1-1 موارد استفاده پيش بيني بار كوتاه مدت
1-2- تاريخچه پيش بيني بار
پيش بيني كوتاه مدت بار در شبكههاي قدرت از ديرباز مورد توجه قرار گرفته است. اتخاذ تصميم در مديريت انرژي، در مدار قرارگيري نيروگاهها، بررسي پخش بار اقتصادي، تحليل قابليت اطمينان سيستم و برنامهريزي تعمير و نگهداري و نيروگاهها، همگي نيازمند پيش بيني بار در بازههاي زماني مختلف ميباشد. در گذشته روشهاي متعدد آماري مورد استفاده قرار ميگرفت، ك هاز آن جمله ميتوان به روش هموار سازي نمايي، روش باكس جنكيز، روش تخمين حالت، سريهاي زماني و فيلتر كالمن اشاره نمود. اين روشها عموماً براي روزهاي عادي مؤثر بوده و براي روزهاي خاص سال قابل اعتماد نيستند. به همين خاطر در بعضي كشورها اپراتورهاي با تجربه، پيشگويي را با قوانين منطقي خود انجام داده و يا با استفاده از تجربه، نتايج روشهاي آماري را تصحيح ميكنند.
با پيشرفت تكنولوژي رايانه، كاربرد حافظه وسيعتر و همچنين افزايش سرعت دسترسي به اطلاعات و انجام محاسبات پيچيدهتر ميسر گرديده و در دو دهه اخير تكنيكهاي هوش مصنوعي مورد توجه قرار گرفته است. از سال 1988 به بعد، مقالاتي در پيش بيني بار كوتاه مدت مشاهده ميگردد، كه در آن مدل رياضي به ندرت به چشم ميخورد و پيش بيني تنها از طريق تحليل اطلاعات گذشته و ادغام تجربيات اپراتورها صورت ميگيرد.
با ورود شبكههاي عصبي به مقوله پيش بيني بار كوتاه مدت در سال 1991 توسط Yangm,HSU و Park و همكارانش، زمينه ابطال روشهاي رياضي قبل تقريباً به طور كلي فراهم گرديد.
1-3 رئوس مطالب
فصل جاري حاوي مقدمه و تاريخچه پيش بيني بار كوتاه مدت و همچنين رئوس مطالب پايان نامه ميباشد. در فصل دوم روشهاي قديمي پيش بيني بار كوتاه مدت ذكر شده و مهمترين آنها را كه بيش از سايرين استفاده ميشدند، توضيح دادهايم. در فصل سوم مباني شبكههاي عصبي و شيوههاي آموزش اين شبكههاي آمدهاست. با توجه به اهميت و نقش پارامترهاي ورودي در آموزش يك شبكه عصبي، در فصل چهار با جمعبندي كاراي انجام شده قبلي در اين زمينه به همراه مهمترين متغييرهاي ورودي آنها آمده است و در فصل پنجم نيز كاربرد شبكههاي عصبي در پيش بيني كوتاه مدت بار آمده است و در ادامه نتايج كلي و پيشنهاداتي براي انجام كارهاي بعدي آمده است.
نقد و بررسیها
هنوز بررسیای ثبت نشده است.