۴۵۱

۱۸/۳

۲۵/۹/۹۲

۹

۵۹۷

۶۱۳

۶۸/۲

۵۷۸

۹۶/۲

۱۵/۱۰/۹۲

۲۱

۶۷۴

۶۳۹

۱۹/۵

۶۵۴

۶۴/۷

۶/۱۲/۹۲

۴

۴۷۱

۴۵۸

۷۶/۲

۴۳۵

۶۴/۷

شکل۴-۷) نمودار مقایسه بار واقعی با بار پیش بینی شده به روش های سنتی و فازی
میانگین درصد خطا در روش فازی۳۱/۳ و در روش متداول در شرکت توزیع مازندران برابر با ۵۱/۶ در شرایط مشابه خواهد بود، که حاکی از دقت بالای روش فازی درپیش بینی بار کوتاه مدت می باشد.
فصل پنجم:
نتیجه گیری و پیشنهادات
نتیجه گیری:
باتوجه به اهمیت حساسیت برنامه ریزی های کوتاه مدت، با هدف دستیابی به هزینه تولید کم، قابلیت اطمینان زیاد، امنیت بالای سیستم و…، همزمان با پیدایش سیستمهای برق رسانی و توسعه آنها، ضرورت انجام پیش بینی های کوتاه مدت بار مصرفی نیز حس شده است، که این ضرورت باعث پیدایش، ارائه و افزایش کمی و کیفی روش های مختلف پیش بینی بار شده است.
در مدلهای پیش بینی بار برای دسترسی به دقت بالا، باید تمامی عوامل موثر بر منحنی مصرف (با توجه به بازه زمانی موردپیش بینی )در نظر گرفته شود. علاوه بر این از چنین مدلهائی (بویژه مدلهای پیش بینی بار کوتاه مدت) انتظار می رود که با خطای کم، منحنی بار را پیش بینی نمایند ضمن اینکه در برابر پارامترهای نادقیق، مثل درجه حرارت و دیگر پارامترهای جوی، رفتاری پایدار داشته باشند. همچنین انتظار می رود دارای ساختاری ساده باشند و به راحتی مورد پذیرش برنامه ریزان و بهره برداران سیستم های قدرت قرار گیرند.

بطور خاص درمدلهای پیش بینی کننده بارکوتاه مدت انتظار می رود که قابلیت انطباق با شرایط جدید را دارا بوده و از انعطاف پذیری و قابلیت تطبیق بالائی برخوردار باشند ضمن اینکه قابلیت بکارگیری همزمان و نیز اعمال نظر وتجربیات اپراتور را دارا باشند و درحقیت به هوشمندی بالائی برسند.
ازمعروفترین روش های غیرهوشمند میتوان به روش های رگرسیونی، هموارسازی نمایی، مدلهای باکس- جنکینز، تجزیه طیفی و… اشاره کرد. فضای حالت و فیلتر کالمن روش های فوق که می توان از آنها به روش های متداول پیش بینی یادکرد، روز به روز کاملتر شدند و با وارد شدن متغیرهای جدید مثل پارامترهای آب و هوایی به نتایج نسبتاً قابل قبولی برای روزهای عادی رسیدند.
اما بزرگترین مشکل آنها که پیش بینی بار برای روزهای خاص و ایام تعطیل بود همچنان بدون حل باقی ماند تا اینکه در دهه اخیر تکنیک های شناسائی الگو وروشهای هوشمند وارد این عرصه شدند و این مشکل بزرگ تاحد زیادی حل شد. همچنین با بکارگیری منطق فازی توانستند عوامل ناگهانی بسیار موثر بر تغییر الگوی بار، خطای مدل تخمین زننده بارهای پایه نرمالیزاسیون، انحراف درجه حرارت ها از مقدار پیش بینی شده و تاثیر این انحرافات روی مقادیر بارهای ساعتی را به راحتی از طریق اعمال نظر اپراتورها اعمال کنند.
دراین پروژه مشاهده نموده ایم میانگین درصد خطا در روش فازی۳۱/۳ و در روش متداول در شرکت توزیع مازندران برابر با ۵۱/۶ در شرایط مشابه خواهد بود، که حاکی از دقت بالای روش فازی درپیش بینی بار کوتاه مدت می باشد. و استفاده از این روش منجر به افزایش دقت و سرعت پیش بینی، رفع مشکل پیش بینی بار روزهای خاص، کاهش حجم بانک اطلاعاتی توام با افزایش قابلیت تاثیر عوامل مختلف گردیده است.
پیشنهادات:
در این پروژه مطالعاتی با بهره گیری از ۵ پارامتر ورودی همچون دما، زمان، بار روز قبل، روز خاص و روز هفته با نوشتن ۲۰۳ قاعد ه ی فازی در محیط برنامه نویسی متلب به نتایجی دست یافتیم که در مقایسه با روش های متداول و روش های رگرسیونی درصد خطای کمتری داشته است. بدیهی است که با افزایش پارامترهای ورودی همچون رطوبت هوا، ماه سال، سرعت وزش باد، جهت وزش باد، نوع فصل و … با نوشتن قواعد فازی بیشتر می توان به نتایج بهتر و مطلوب تری دست یافت.
مراجع
]۱[ وحیدی نسب، و.،جدید، ش.،”کاربرد سیستمهای فازی درپیش بینی کوتاه مدت بارالکتریکی روزهای کاری و روزهای تعطیل خاص“.هشتمین کنفرانس سیستم های هوشمند، دانشگاه فردوسی مشهد. شهریور ۸۶
]۲[ کما نکش، سیما. برقی نیا، سعیده. غفار، آزاده.”پیش بینی بار کوتاه مدت شبکه برق ایران با در نظر گرفتن شرایط خاص نظیر روزهای قبل و بعد و بین تعطیلی وسالهای کبیسه و تهیه قوانین خبره فازی“، بیست و دومین کنفرانس بین المللی برق