بررسی تاثیر ادغام اطلاعات مناطق الکتریکی مختلف در پیش‌بینی بار شبکه قدرت با ارائه یک روش نوین پیش‌بینی سلسله‌مراتبی

به منظور پیش بینی تقاضای مصرف انرژی الکتریکی یک شهر یا کشور، متداول است که داده های تاریخی بار مناطق مختلف آن شهر و یا شهرهای مختلف آن کشور جمع آوری و بر اساس آن تصمیمات راهبری و یا راهبردی اتخاذ شود. با این حال، ممکن است استفاده از داده‌های تاریخی تمام مناطق و یا انواع مختلف بارهای مصرفی (مسکونی، تجاری و صنعتی) به یک میزان حائز اهمیت نباشد؛ بدین معنی که امکان دارد تنها میزان بار مصرفی بعضی از مناطق و یا تنها میزان مصرف یک نوع بار بیشترین تاثیر و اهمیت را در تصمیم گیری داشته باشد. از آنجایی که جمع جبری پیش بینی های تمام مناطق و یا انواع بار لزوما پیش بینی مناسبی برای هدف مورد نظر ارائه نمی‌دهد، روش های مختلفی برای ادغام پیش بینی مناطق مختلف وجود دارد. در ساده‌ترین حالت ممکن، می توان به سادگی داده های مناطق مختلف را جمع جبری نمود و یک سری زمانی کلی به دست آورد و پیش بینی را بر اساس آن انجام داد. با این وجود، این روش ساده نه تنها همواره پیش بینی مناسبی ارائه نمی دهد بلکه نیازمند دسترسی به جزئیات داده‌های تاریخی بار و عوامل موثر آن به تفکیک هر منطقه نیز می‌باشد. از این رو، در این مقاله روش های ادغام مختلفی نظیر روش‌های ادغام پایین به بالا، بالا به پایین و همچنین رویکرد ترکیب بهینه با در نظر گرفتن همبستگی بین سری های زمانی زیرمجموعه معرفی شده است. با توجه به اینکه تاکنون به حوزه پیش بینی سلسله مراتبی در صنعت برق پرداخته نشده است؛ این مقاله با بررسی کاربرد این موضوع به طور خاص برای پیش بینی تقاضای بار الکتریکی در شبکه قدرت از تحقیقات پیشین متمایز شده است. با توجه به تمرکز اصلی پژوهش حاضر بر تاثیر روش های ادغام، در این مقاله از روش های کلاسیک پیش بینی نظیر روش خودهمبسته میانگین متحرک یکپارچه (arima) و هموارسازی نمایی استفاده شده است. در این مطالعه، پیش بینی سلسله مراتبی کوتاه مدت و بلندمدت برای داده های واقعی بازار برق استرالیا انجام گرفته است. نتایج به روشنی نشان می‌دهند که روش ترکیب بهینه بهترین نتیجه را ارائه می دهد.

Effect of Information Ensemble on Electricity Load Forecasting by Proposing a Novel Hierarchical Forecasting Method

To forecast the electricity load of a city or country and facilitate the strategic decisionmaking, it is common to collect the historical data from different zones of the city or different cities of the country. However, normally all the zones or different sectors rsquo; load (residential, industrial, and commercial) are not important equally. In other words, a certain zone or a sector may have the most effect on decision making. Therefore, the simple algebraic sum of the different zones rsquo; forecasting may not be meaningful for the ultimate objective. There are different methods for aggregation of the different zones rsquo; forecasts. The most convenient method is the simple algebraic sum of the different zones rsquo; forecasts, which is not only inefficient but also needs more details about the effective factors on the electricity demand in each zone. In this paper, different aggregation approaches such as bottomup, topdown, optimal combination methods are presented. It should be mentioned that any research paper in the field of the electrical power system and load forecasting have not studied the hierarchical forecasting; therefore, presenting the hierarchical method for load forecasting is a strict innovation of this paper. The AutoRegressive Integrated Moving Average (ARIMA) and Exponential Smoothing methods are embedded in proposed aggregation approaches. The proposed methods are applied to forecast Australian electric load in shortterm and longterm horizons.