عنوان :
پیش بینی بلند مدت تقاضای انرژی
الکتریکی در منطقه آذربایجان با استفاده از شبکه عصبی
نام نویسندگان :
محرم خانکشی زاده
شرکت مهندسی مشاور
نیروی آذربایجان (منا)
واژه های کلیدی : پیش بینی
، تقاضای انرژی ، تراز انرژی ، شبکه های عصبی
چکیده
پیش بینی تقاضای انرژی الکتریکی یکی از مولفه های
اساسی سیستم مدیریت انرژی میباشد.در این مقاله، با توجه به اهمیت موضوع، از شبکه
عصبی پرسپترون چند لایه با حلقه های برگشتي موسوم به شبکهRMLP
برای پیش بینی بلند
مدت تقاضای انرژی در منطقه آذربایجان استفاده شده است.برای آموزش شبکه علاوه بر
متغیرهای توصیفی تاثیر گذار بر سیستم مصرف انرژی الکتریکی، مولفه
هائی از تراز انرژی منطقه نیز مورد استفاده قرار گرفته است. پریود مبناء پیش بینی و
پریود پیش بینی بترتیب سالهای 1369 تا 1380 و 1381 تا 1390 انتخاب گردیده و در آخر
نتایج حاصل با نتایج بدست آمده از یک روش معمول ریاضی و تقاضای واقعی انرژی
الکتریکی در منطقه مقایسه شده است.
1-
مقدمه
مصرف كل انرژي درمنطقه آذربايجان(شرقي،غربي و اردبيل)
در طي دوره زماني 1367 تا 1380 از
30 ميليون بشكه معادل نفت خام در سال به59 ميليون بشكه
رسيده است كه آهنگ رشد متوسط
3/5 درصد را نشان ميدهد و تخمين زده ميشود كه ميزان مصرف انرژي در اين منطقه
با آهنگ رشد متوسط 16/3 درصد در سال 1390 به حدود 81 ميليون بشكه معادل نفت
خام برسد، سرانه مصرف انرژي نيز در اين مدت از 6/4 بشكه معادل نفت خام در سال 1367
به 8 بشكه در سال 1380 رسيده است كه با ادامه اين روند پيش بيني ميشود اين رقم در
سال 1390 به 9/10 بشكه برسد.
با
توجه به آمارهاي فوق الذكر و رشد شتاب آلود مصرف انرژي در منطقه و نظر به نقش
فزاينده انرژي در حيات بخشهاي مختلف جامعه، ميتوان به اهميت مديريت انرژي با هدف
بهينه سازي پروسه توليد، توزيع و مصرف پي برد. سهم مصرف انرژي الكتريكي نيز بعنوان
يكي از حاملهاي اساسي انرژي و با توجه به خصوصيت هاي بارز آن، از سبد مصرف انرژی
منطقه در حال افزايش است، بعنوان نمونه سهم انرژي الكتريكي از مصرف نهائي انرژي در
منطقه آذربايجان از 29/4 درصد در سال 1367 به 95/5 درصد درسال 1380 رسيده است كه با
ادامه اين روند پيش بيني ميشود اين رقم در پايان سال 1390 به 5/7 درصد برسد.
بنابراين با فرض افزايش تدريجي سهم انرژي الكتريكي از مصرف نهايي انرژي در منطقه و
خصوصيات خاص اين نوع انرژي از قبيل عدم قابليت ذخيره سازي در حد وسيع و زمانبر بودن
بازده سرمايه در اين بخش، اهميت مديريت صحيح انرژي را در اين بخش بيش از پيش نمايان
میکند و با اين توصيف اگر موارد ذيل را در توليد و مصرف اين نوع انرژي در نظر
نگيريم در آينده با خسارتهاي جبران ناپذيري مواجه خواهيم شد.
1- برنامه ريزي جامع و دراز مدت و مديريت مناسب بر
توليد، توزيع و مصرف انرژي الكتريكي
2- ايجاد فرهنگ عمومي صحيح در مصرف منطقي انرژي
الكتريكي و ايجاد استانداردهاي مصرف
3- ايجاد ضوابط و مقررات مربوط به رعايت استانداردهاي
مصرف
4- مديريت علمي بار
فوق الذكر ياز
موارد فوق برنامه ريزي دراز مدت و جامع توليد انرژي الكتريكي از اهميت خاصي
برخوردار است، يك مديريت صحيح انرژي الكتريكي موقعي امكان پذير خواهد بود كه مديران
ارشد صنعت برق منطقه، يك پيش بيني منطقي و نزديك به واقعيت و مبتني بر تئوريها و
روشهاي دقيق علمي از روند آتي تقاضاي انرژي الكتريكي را داشته باشند.
در مراجع مختلف با توجه به اهميت، پريود، دقت و شكل
پيش بيني، از روشها و الگوريتمهاي متعددی براي پيش بيني دراز مدت تقاضاي انرژي
الكتريكي استفاده شده است كه عمدتاً مبتني بر رگرسيون خطي و غير خطي تك متغيره يا
چند متغيره روي متغيرهاي توصيفي تاثير گذار بر روند تقاضاي انرژي الكتريكي استوار
ميباشند، اين روشها با توجه به ماهيت غير خطي سيستم مصرف انرژي الكتريكي و با درنظر
گرفتن مولفه هاي ورودي متعدد براي اين سيستم ، جوابهاي خيلي دقيقي را نميتوانند
ارائه دهند[3][4] [12].
در اين مقاله، از يك روش مبتني بر مدل و شناسايي
سيستم با استفاده از شبكه هاي عصبي، براي پيش بيني بلند مدت تقاضاي انرژي الکتریکی
در منطقه آذربايجان استفاده شده است. شبكه عصبي مورد استفاده يك شبكه پرسپترون
با لايه هاي متعدد و حـلقــه هــاي برگشتی مـيـبــاشد كه اصطلاحاً
RMLP
(Recurrent Mutilayer
Preceptron) ناميده
ميشود. در ادامه، ابتدا خلاصه ای از ساختار و روابط حاکم بر آموزش شبکه عصبی
RMLP
تشریح شده و سپس با انتخاب
سالهای 1369 تا 1380 و 1381 تا 1390 بعنوان پریود مبناء پیش بینی و پریود پیش بینی،
انرژی الکتریکی مورد نیاز منطقه در این پریودها پیش بینی شده است و نتايج حاصل با
نتايج بدست آمده از يك روش معمول رياضي با عنوان مــدل كشش ثابت(Constant
Elasticity)كه مبتني
بــر رگـرســـيـــون غـيـرخطي چــنـد متغيره است و همچنين تقاضاي واقعي سالهاي
1369 تا 1382 منطقه مقايسه و نتايج نهائي ارائه گرديده است، براي بالا بردن دقت پيش
بيني علاوه بر پارامترهاي اقتصادي منطقه ، مولفه هائي از تراز انرژي نيز بعنوان
ورودي سيستمهاي پيش بيني در نظر گرفته شده است.
2- مدل شبکه عصبی
RMLP
همانطوریکه در مقدمه عنوان کردیم در این مقاله برای
پیش بینی بلند مدت تقاضای انرژی الکتریکی در منطقه آذربایجان، از شبکه عصبی
پرسپترون چند لایه، با حلقه های برگشتی موسوم به
RMLP
استفاده شده است که بسیار
مناسب برای شناسائی سیستمهای دینامیکی غیرخطی میباشد[5-1].
جزئیات ساختار این شبکه درشکل(1)نشان
داده شده است.
هـمانطوریکه از
شکل (1) مشاهده میشود این شبکه دارای حلقه های پیش خور در لایه های همسایه و
حلقه هاي اتصال گره ها در لایه های مخفی با حلقه های برگشتی میباشد[3] [4].
3- خلاصه معادلات حاکم بر ساختار و
آموزش شبکه RMLP
با توجه به ساختار نشان داده شده در شکل (1) و با فرض
اینکه شبکه عصبی RMLP
مورد استفاده دارای
L
لایه و
(ℓ)
N
گـره در هر لایه باشد آنگاه به ازایℓ=1,2,…,L
، پاسخ گره
i
ام در لایه
ℓ
ام را میتوان بصورت زیر نوشت
.
در روابط فوق کمیت های
بترتیب پارامترهای خروجی ، حالت وبا یاس گره
i
ام از لایه
ℓ
ام میباشد و همچنین و
بترتیب وزن های پیشخور و پسخور شبکه و تابع
محرک میباشد.
ورودیهای لایه اول
همان ورودیهای شبکه بوده که با نماد
 و
خروجی شبکه همان خروجیهای لایه آخر میباشد که با نماد
 نشان
میدهیم و تابع محرک را هم خطی در نظر میگیریم[3] [4].
برای آموزش شبکه عصبی از الگوریتم
BP
(Backpropagation)و
برای تنظیم پارامترهای شبکه از معیار متوسط مربع خطا
(MSE)
استفاده شده است[6] [7] [8]
[9].بر این اساس طبق رابطه (3) پارامترهای
 و
همچنین
 برای کلیهℓ
وi
ها طوری تنظیم میشود که
 مینیمم
گردد.
در رابطه فوق
 زمان
و
 مقدار
واقعی خروجی در پریود پیش بینی لایه
iام
یا بردار هدف میباشد.
بر اساس الگوریتم
آموزشی BP
گرادیان تصحیح وزنهای پیشخور
از رابطه ذیل بدست می آید.
در رابطه فــوق
m
شاخص تـصحـیح وزن ها و
با
 و
 نرخ
یادگیری و αضریب
ممنتم برای کاهش نوسانات میباشد.
مشابه رابطه فوق را
میتوان برای تصحیح وزن های پسخور ، حلقه های برگشتی و حلقه هاي اتصال گره ها در
لايه هاي مخفي استفاده نمود [7] [9]. در همه موارد فوق تابع خطا با فرض از
رابطه ذیل بدست می آید [4].
و
همچنین گرادیان خروجی گره ها در روابط (1) و (2) از رابطه ذیل قابل محاسبه ميباشد
[3] [4].
مشابه رابطه فوق را
میتوان برای حلقه های برگشتی شبکه نيز نوشت.
گرادیان خطا در رابطه (4) بر اساس یک
پروسه بازگشتی
(Recursive)
برای لایه خروجی و لایه های مخفی بترتیب از روابط ذیل بدست می آید[3] [4].
میدهد که گرادیان خطا
در هر لایه مخفی از گرادیان خطای لایه های بعدی بدست می آیدكه همان مفهوم عمومي
الگوريتم آموزشيBP
ميباشد.بطور کلی میتوان الگوریتم آموزشی فوق را در پنج پله به شرح ذیل خلاصه کرد[3]
[4] [5].
پله اول : محاسبه
خروجی
 با
استفاده از روابط (1) و (2) براي تمام واحدهايi=1,2,…N(L)
 ،
وسپس با مقایسه این خروجی با بردارهای هدف،
گرادیان خطای لایه خروجی از رابطه (7) محاسبه میشود.
پله دوم :
با استفاده از الگوریتمBP
و با استفاده از گرادیان خطای لایه خروجی ، گرادیان خطای لایه های مخفی از رابطه
(8) محاسبه میشود.
پله سوم : با
استفاده از گرادیان خطای محاسبه شده تصحیحات لازم در وزن های شبکه طبق رابطه (4)
انجام میشود.
پله چهارم : پله
های 1 تا 3 تا اتمام تمام پروسه آموزشی حلقه داخلی تکرار میشود.
پله پنجم : پله های
1 تا 4 تا رسیدن به یک همگرائی مناسب بر اساس فرمول (3) تکرار میشود.
4- مدل ریاضی
روشهای معمولی پیش بینی تقاضای انرژی الکتریکی با
استفاده از مدلهای ریاضی، همانا استفاده از رگرسیون تک متغیره و یا چند متغیره مدل
های خاص ریاضی، نظیر مدل خطی، درجه دوم ، لگاریتمی و یا ترکیبی از آنها شبیه مدل
هویگن(Hougen)،
روی روند رشد تاریخی بار یا متغیرهای توصیفی مرتبط با مصرف انرژی الکتریکی میباشد
[10] [11] [12].
(Constant Elasticity)
استفاده شده است که فرم کلی
آن بصورت رابطه (9) میباشد [3] [10] [11].
در رابطه فوق
Z,Y,X
بردارهای مربوط به متغیرهای
توصیفی مدل بوده که تعداد این متغیرها میتواند در پیش بینی تعرفه ای مختلف انرژی
الکتریکی متفاوت باشد و
ضرایب ثابت مدل
میباشند که از رگرسیون بدست می آیند.
به ضرائب اصطلاحا
ضرایب کشش ثابت متغیرهای توصیفی اتلاق میگردد، در این مدل فرض بر این است که این
ضرایب در پریود مبناء پیش بینی و پریود پیش بینی ثابت هستند و یا به عبارتی کشش
مصرف انرژی الکتریکی از طرف مشتریان در طول پریود مبناء پیش بینی و پریود پیش بینی
با تغییر متغیرهای توصیفی مدل مصرف ثابت میماند. استفاده از این مدل با فرض فوق
الذکر و در نظر گرفتن اینکه مولفه هائی از تراز انرژی بعنوان متغیر توصیفی مدل در
نظر گرفته شده است مدل را دقیق تر و به واقعیت نزدیک میکند [3][11].
مدل ریاضی فوق یک
مدل غیر خطی است که رگرسیون آن را مشکل میکند بنابراین با یک تبدیل ریاضی (لگاریتم
طبیعی) این مدل را تبدیل به خطی میکنیم.
 حال با خطی شدن مدل میتوان از روش ها و
معادلات حاکم بر رگرسیـون های خـطی ضـرایب
 را
محاسبه نمود[11] [12].
5- پيش بيني تقاضاي بلند مدت انرژي الكتريكي در منطقه
آذربايجان
در اين تحقيق، ابتدا يك سري متغيرهاي
عمومي تاثير گذار بر روند مصرف انرژي الكتريكي در نظر گرفته شده و پس از انجام
آناليز حساسيت سيستم مصرف به متغيرهاي ورودي فرضي، و تحليل ميزان همبستگي آنها،
متغيرهاي توصيفي ذيل بعنوان متغیرهاي مهم تاثير گذار بر روند تقاضاي انرژي الكتريكي
انتخاب، و از اين متغيرها براي آموزش شبكه و بدست آوردن ضرائب چند جمله اي مدل
رياضي در پـريود مبناء پيش بيني (1369 تا 1380) استفاده شده است]10[
]11[.
1-
GDP
كل منطقه
2- رشد وميزان سرمايه گذاري در بخشهاي مختلف
3- جمعيت
4- مولفه هائي از تراز انرژي منطقه (قيمت انرژي –
سرانه مصرف انرژي و ميزان مصرف گاز طبيعي)
در ادامه
متغيرهاي توصيفي فوق الذكر در پريود مبناء پيش بيني از منابع مختلف جمع آوري وبراي
پريود پيش بيني در صورت وجود اطلاعات برنامه ريزي شده از آنها استفاده شده و در غير
اينصورت ازروشهاي رگرسيون خطي تخمين زده شده است
]18-13[،
سپس با تـوجه به متغيرهاي توصيفي در پـريـود مـبـناء پيش بيني و بردار هدف (تقاضاي
انرژي واقعي بين سالهاي 1369 تا 1380) شبكه عصبيRMLP
آموزش داده شده و همچنين
ضرائب چند جمله اي مدل رياضي بدست آمده است، و با تـوجــه بــه رونــد رشــد
متغيرهاي تـوصـيـفي در پريود پيش بيني، ميزان تقاضاي انرژي الكتريكي در اين پـريود
از دو روش فوق الذكر پـيـش بـيـني شده است و با هم مقايسه گرديده است.
شبكه
RMLP
مورد استفاده داراي يك لايه
ورودي با 6 گره و لايه خروجي با يك گره و همچنين يك لايه مخفي ميباشد.تعداد تكرار
حلقه اصلي شبكه 17000 و نرخ يادگيري
0.05
و ضريب ممنتم صفر در نظر گرفته شده است.كليه مراحل فوق شامل انجام آناليز حساسيت،
آموزش شبكه عصبي، بدست آوردن ضرائب مدل رياضي ومتغيرهاي توصيفي در پريود پيش بيني
در داخل محيط نرم افزار
MATLAB 6.3
و
Borland C++
انجام شده است.
نتايج حاصل از شبيه سازي در جدول شماره (1) ارائه
گرديده است.
6-
نتيجه گيري
در اين مقاله تقاضاي بلند مدت انرژي الكتريكي در
منطقه آذربايجان با استفاده از شبكه عصبي
RMLP
و مدل رياضي موسوم به كشش ثابت پيش بيني شد، با توجه به تحليل هاي انجام شده و
نتايج بدست آمده (جدول 1) ميتوان نتيجه گيري كلي را بصورت زير بيان نمود.
1- هر دو روش با روند مناسبي همگرا ميشوند.
2- دقت پيش بيني شبكه عصبي بسيار مناسب تر از روش
رياضي ميباشد بطوريكه مجموع مربعات درصد خطاي شبكه عصبي در طول پريود مبناء 85/8 و
روش رياضي 42/175 ميباشد.
3- هر چقدر متغيرهاي توصيفي سيستم مصرف انرژي
الكتريكي بيشتر ميشود شبكه عصبي در مقايسه با روش رياضي كارائي بيشتري از خود نشان
ميدهد.
جدول (1) : نتايج پيش بيني بلند مدت
تقاضاي انرژي الكتريكي در منطقه آذربايجان با استفاده از شبكه عصبي و روش رياضي
|
سال |
تقاضای واقعی
(MWh) |
تقاضای پیش بینی شده
(MWh) |
درصد خطا
(%) |
|
شبکه عصبی |
روش ریاضی |
شبکه عصبی |
روش ریاضی |
|
1369 |
2939 |
2956 |
2694 |
5/0- |
3/8+ |
|
1370 |
3153 |
3117 |
| 
