بررسی پارامترهای مؤثر بر فرهنگ مصرف انرژی الکتریکی در شبکه سراسری و تعیین الگوی مصرف روزانه با استفاده از شبکه‎های عصبی (هوش مصنوعی)

جستجو

مقاله ها

صفحه اصلی
مقاله ها
بررسی پارامترهای مؤثر بر فرهنگ مصرف انرژی الکتریکی در شبکه سراسری و تعیین الگوی مصرف روزانه با استفاده از شبکه‎های عصبی (هوش مصنوعی)

1400/11/02

نویسنده : علیرضا خیامی-محمدرضا جاودان

بررسی پارامترهای مؤثر بر فرهنگ مصرف انرژی الکتریکی در شبکه سراسری و تعیین الگوی مصرف روزانه با استفاده از شبکه‎های عصبی (هوش مصنوعی)

علیرضا خیامی¹، محمدرضا جاودان²

1ـ دفتر بهینه‎سازی مصرف معاونت امور انرژی، وزارت نیرو

2ـ برق منطقه‎ای تهران، وزارت نیرو

خلاصه

شناخت فرهنگ و الگوهای مصرف انرژی، پایه و اساس بهینه‌سازی و تغییر فرهنگ مصرف انرژی است. فرهنگ مصرف را می‌توان از دیدگاه‎های مختلف بررسی کرده و از نتایج به دست آمده، پیشنهادات لازم را ارائه نمود. مطلب حائز اهمیت در این مقاله، بررسی الگوهای بار روزانه شبکه سراسری انرژی الکتریکی است که بدین جهت ، منحنی‎های بار روزانه با استفاده از شبکه‌های عصبی (هوش مصنوعی) بررسی و الگوهای لازم معرفی خواهند شد. با بررسی این الگوها می‌توان پارامترهای مؤثر بر الگوی مصرف انرژی الکتریکی را در شبکه سراسری تشخیص و ارائه نمود. این پارامترها و الگوها، قدم اول در شناخت فرهنگ مصرف انرژی الکتریکی شبکه سراسری می‌باشند.

در این مقاله، ابتدا شبکه عصبی موردنظر معرفی شده و سپس بر اساس اطلاعات موجود و توانائیهای شبکه، شبیه‌سازی لازم صورت گرفته و فلوچارت لازم جهت متناسب نمودن اطلاعات اولیه با ورودی سیستم هوشمند مطرح و در نهایت نتایج بدست آمده ارائه خواهد گردید.

واژه‎های کلیدی: شبکه عصبی ، هوش مصنوعی، شبکه کوهنن، الگوی مصرف انر‌ژی الکتریکی، فرهنگ مصرف انرژی الکتریکی

مقدمه

شبکه‎های عصبی

چندین سال است که استفاده از شبکه‌های عصبی جهت تحلیل بعضی از مسائل پر حجم و بدون روابط مشخص، مورد استفاده قرار می‎گیرند و روز به روز خدمات بیشتری ارائه می‎کنند. در واقع می‎توان ادعا کرد که کامپیوترها به جای مغز انسان کارهای پر حجم را با سرعت بالا و دقت لازم انجام می‌دهند و لازمة استفاده از این شبکه‌ها، شناخت کامل شبکه‌های عصبی و صورت مسئله می‌باشد.

جهت استفاده از شبکه‌های عصبی دو نکته اساسی باید مدنظر قرار گیرد.

1ـ تحلیل اطلاعات اولیه وآماده‌سازی اطلاعات جهت ورود به شبکه عصبی

2ـ تعیین مشخصات شبکه و تعیین وزنه‌های ارتباطی

این مقاله که فاز اول مطالعات در زمینه شناخت فرهنگ مصرف انرژی الکتریکی است به بررسی مصرف انرژی انواع روز درشبکه سراسری می‌پردازد و با استفاده از شبکه عصبی کوهنن که یک شبکه بدون معلم می‌باشد منحنی مصرف انرژی روزانه را در طی ماههای مختلف بررسی و تقسیم‌بندی الگوهای مصرف را مشخص می‌کند.

این مقاله طی معرفی اجمالی شبکه کوهنن و طریقة آماده‌سازی اطلاعات اولیه مورد نیاز جهت ورود به شبکه، منحنی مصرف انرژی روزانه سال 1371 را به عنوان نمونه بررسی کرده و اهم الگوهای مصرف انرژی الکتریکی را ارایه و سپس روند تغییرات را نشان می‎دهد.

شبکه کوهنن

شکل (1) یک شبکه کوهنن را که گره‌های آن به صورت دو بعدی مرتب شده‌اند، نشان می‌دهد. در این شبکه‌ها، ابتدا بردار ورودی به شبکه اعمال می‌گردد و سپس هر کدام از نرونها یک مقدار در خروجی خود ظاهر می‌کند و با یکدیگر به رقابت می‌پردازند تا اینکه نهایتاً یک نرون در این رقابت ماکزیمم و یا مینیمم مقدار را در خروجی خواهد داشت و آن گاه می‌توان گفت که نرون مذکور در پاسخ به ورودی موردنظر ، فعال شده است.

معمولاً گره با نرونی را به عنوان نرون فعال یا مطلوب درنظر می‎گیرند که مقدار خروجی آن ماکزیمم یا مینیمم نرونهای دیگر باشد.

$Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image002.jpg$

شکل 1ـ شبکه عصبی کوهنن

بیان ریاضی تقسیم‌بندی روزها بر اساس الگوی تغییرات بار

برای تقسیم‌بندی روزها بر اساس الگوی تغییرات بار روزانه، نیاز به بار ساعت به ساعت هر روز در یک دوره تناوب بین 5 تا 10 سال گذشته می‌باشد. طبیعی است هر قدر اطلاعات مربوط به سالهای قبل بیشتر باشد، دقت پیش‌بینی بار بیشتر خواهد بود. برای تعیین مدل ریاضی، بار هر ساعت در روز توسط L(i) نشان داده می‌شود. که در آن i بین 1 تا 24 می‌باشد. اگر Lp و Lv به ترتیب بار ماکزیمم و مینیمم در یک روز باشند در آن صورت بار نرمالیزه شده، به صورت زیر می‌باشد.

(1) Ln(i) = [L(i) – Lv] / [LP – Lv]

بنابراین هر الگوی ورودی شامل 24 بار ساعت به ساعت نرمال شده یک روز است. به عبارت دیگر هر الگوی ورودی بوسیله بردار ورودی ذیل مشخص می شود:

(2) $Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image004.png$

سپس بردار الگوی ورودی، X،‌ را قبل از آموزش به صورت نرمال در می‌آوریم، یعنی اینکه تبدیل به برداری می‌کنیم که دارای طول واحد‌باشد. یعنی اینکه:

(3) $Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image006.png$

که مقادیر آنها طبق فرمول زیر بدست می‌آید.

(4) $Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image008.png$

اگر تعداد بردار الگوی ورودی

(5) $Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image010.png$

داده شده باشد، هدف این است که این بردارها را به چند دسته تقسیم کنیم به طوری که هر دسته شامل بردارهای الگوی X مشابه باشند.

تعیین گره‌های خروجی

همچنان که در شکل (2) نشان داده شده است گره‌های خروجی بر روی یک شبکه دو بعدی که مانند یک دریچه مشبک است، مرتب شده‌اند. هر گره خروجی بوسیله یک زوج مختصات مشخص می‌شود که در شکل (2) نشان داده شده است. توجه شود که تعداد گره‌های خروجی یا به عبارت دیگر اندازة شبکه بطور دلخواه 18*18 انتخاب شده است

$Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image011.png$

شکل 2ـ نمای گره‎های خروجی شبکه کوهنن

اندازه‎های دیگر را تا آنجایی که حافظه کامپیوتر اجازه می‌دهد، می‌توان گسترش داد. همچنانچه در شکل (1) نشان داده شده است هر واحد ورودی i بوسیله وزنه Wij به واحد خروجی j متصل شده است. مقدار الگوهای ورودی و وزنه‌های ارتباطی به گره j را به اندازه aj تحریک می‌کند و مقدار آنرا تعیین می‌کند. که مقدار آن طبق فرمول زیر خواهد بود.

(6) W_ij . X_i = W_j.X $Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image013.png$ a_j =

به طوریکه X بردار الگوی ورودی است که قبلاً در فرمول (3) تعریف شده بود و

(7)| W_nj] .......................W_j= [W_1j| W_2j| W_3j

بردار وزنه ارتباطی برای گره خروجی j است و قابل ذکر است که در اینجا چون ورودی ما بار ساعت به ساعت شبانه‌روز است n برابر 24 خواهد بود.

هنگامی که یک الگوی ورودی بدون اینکه خروجی مطلوب مشخص شود به شبکه عصبی تحویل داده شود. شبکه عصبی براساس وزنه‌های ارتباطی موجود، مقدار تحریک برای هر گره خروجی را محاسبه می‌کند. در این حالت گفته می‌شود که الگوی ورودی به گره خروجی با بیشترین مقدار تحریک تصویر شده است یعنی اینکه هر گره دارای بیشترین مقدار تحریک باشد، خروجی مطلوب انتخاب می‎گردد.

بعد از تهیه بردارهای الگوی ورودی به اندازه کافی، الگوهای ورودی با شکل‌های مشابه به یک واحد خروجی و یا واحدهای خروجی که بسیار نزدیک به هم هستند، تصویر می‌شوند.

تعیین مقادیر اولیه برای وزنه‌های ارتباطی

مرحلة بعدی، انتخاب مقادیر اولیه برای وزنه‌های ارتباطی W_ij که

(8) |m ............................. j=1|2|3|

(9) |n ............................. j=1|2|3|

و شعاع همسایگی NC است. کوهنن پیشنهاد کرد که وزنه‌های ارتباطی به مقادیر تصادفی کوچک تبدیل شوند. این روش برای حالاتی سودمند خواهد بود که بردارهای ورودی به طور گسترده‌ بر روی تمام فضای نمونه پخش شده باشد. ولی بردارهای ورودی در مورد مسئله حاضر محدود به قسمت کوچکی از فضا است. بنابراین بردارهای وزنه اولیه را در نزدیکی متوسط این بردارها قرار می‌دهیم. به عبارت دیگر ابتدا تعریف می‌کنیم.

(10) | X(p)] ...........................W_ij= Mean [X(1)| X(2)|

(11) | Xi(p)] ...........................W_ij= Mean [Xi(1)| Xi(2)|

سپس یک مقدار جدید که انحراف یافته Wi است و یک مقدار اتفاقی به صورت زیر تعریف می‌کنیم.

(12) | X(p)] ..................W_j= W_j+ [80* r * variance of X(1)| X(2)

به صورتی که مقدار r یک عدد تصادفی است که بطور یکسان در فاصله دو عدد 0/0 و 125/0 گسترده شده است و در آخرین مرحله W_j را نرمالیزه می‌کنیم تا برداری با طول واحد بدست آید.

(13) Wij²]^1/2 $Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image013.png$ [/Wj= Wj

از شعاع همسایگی NC برای تصحیح وزنهای ارتباطی استفاده می‌کنیم.

اصلاح وزنهای ارتباطی

همچنانچه در شکل (2) نشان داده شده است همسایه‌های یک گره خروجی j که به صورت

(14) ) 1+ 2NC) * (1+ 2NC)

تعریف شده‌اند که گره خروجی در مرکز هر مربع می‌باشد. برای مثال همسایه‌های گره j با NC=4 شامل 81 گره در بزرگترین مربع (NC=4) در شکل نشان داده شده است.

در اینجا،‌ شعاع همسایگی NC برابر 12 در نظر گرفته شده است و در مرحله آموزش NC بعد از یک دوره تکرار یک شماره کم می‌شود و این عمل تا زمانی انجام می‌شود که NC برابر صفر گردد. لازم به ذکر است که منظور از یک دوره تکرار، یک بار ارائه وزن تمامیP بردار الگوی ورودی است.

(15) | X_(P)...........................X₍₁₎| X₍₂₎| X₍₃₎|

جزئیات مراحل یک دوره تکرار

بعد از اینکه وزنهای اولیه مشخص شد، مقادیر تحریک هرگره خروجی می‌تواند به وسیله رابطه ذیل محاسبه گردد.

(16) $Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image016.png$

گره j با بیشترین مقدار تحریک انتخاب می‎گردد.

در مرحله بعد وزنهای ارتباطی گره j و همه گره‌های همسایه که بوسیله NC تعریف گردیده‌اند،‌ بوسیله رابطه زیر، جدید یا اصلاح می‌گردند.

(17) W_ij) - W_ij (d) = W_ij + ? (X_i

|n..................i= 1|2|

j ? NC j

به طوریکه çh اندازه گام جدید کردن یا اصلاح کردن وزنهای ارتباطی می‌باشد

قـابل ذکـر است که ? می‌تواند در خلال دوره تکرار ثابت و یا متغیر باشد. مقدار ? بین 0005/0 تا 05/0 انتخاب گردیده است.

مراحل بالا برای هر الگوی ورودی تکرار می‌شوند هنگامی که همهP الگوی ورودی وارد شدند و وزنها اصلاح گردیدند، می‎گوئیم که یک دوره تکرار کامل شده است. تعداد دوره تکرار را می‌توان از رابطه زیر بدست آورد.

(18) N= (NC+1)* P

NC: شعاع همسایگی در شبکه خروجی

P: تعداد الگوی ورودی است.

فلوچارت برنامه

ثبلاً مراحل اجرای یک برنامه شبکه کوهنن توضیح داده شد. حال به بررسی فلوچارت برنامه می‌پردازیم که بتوان الگوهای انواع روز را به دست آورد.

فلوچارت برنامه را می‌توان به صورت شکل (3) در نظر گرفت.

$Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image017.png$

شکل 3ـ فلوچارت برنامه کوهنن

ضرایب و رابطه‌ها

ضرایب و رابطه‌های ذیل برای رسیدن به جواب در نظر گرفته شده‌اند

NC = 12

0 < K < 0.125

$Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image019.png$ = 0.005

ضرایب ثابت در تعیین وزن اولیه برابر 80 و برای رابطه وزن اولیه

(19) VAR × K × 80 + M = Wij

K: عدد اتفاقی بین صفر الی 0.125

VAR: واریانس بردارهای ورودی

M: متوسط بردارهای ورودی است.

و رابطه اصلاح وزنها عبارت است از

(20) $Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image021.png$

(new) Wij : وزن ارتباطی اصلاح شده

(old) Wij: وزن ارتباطی قبلی

NC: شعاع همسایگی

Xij: مقدار ورودی است که

i = 1|2| …. |24

j = 1|2| ….|324

طرق تقسیم‌بندی روزها یا تعیین نوع روزها

حال با استفاده از این ضرایب و رابطه‌ها به بررسی جوابها می‌پردازیم.

برای تقسیم‌بندی روزها دو طریق وجود دارد:

الف) هر ماه را بطور جداگانه تحلیل کرد.

ب) یک ماه را به عنوان مبنا قرارداد و ماه‎های دیگر را نسبت به آن تحلیل نمود.

هر کدام از این راهها مزیت و معایبی دارد که با توجه به معایب و مزیتهای ذکر شده روش اول مدنظر بوده و مورد استفاده قرار می‌گیرد.

بررسی انواع روز در ماههای مختلف

ابتدا باید ذکر کنیم که تمام بررسیهای انجام شده در سال 1370 می‌باشد. با تحلیلها و توضیحات مشروح قبلی به ضرایب و مشخصات یک شبکه مصنوعی کوهنن که جوابگوی مسئله ما باشد پی بردیم، در این قسمت می‌خواهیم جوابهای شبکه عصبی کوهنن را تحلیل و انواع الگوی روز را مشخص کنیم.

در تعیین انواع روز، باید به چندین نکته زیر توجه داشت که سبب می‌شود انواع روزهای مختلف به وجود آیند

نکته اول:

برای بررسی الگوهای روزانه باید به دو روزشمار توجه کرد:

1ـ روزشمار شمسی

2ـ روزشمار قمری

چون این دو تقریباً با هم 11 روز اختلاف دارند و بسیاری از ایام دینی ما مثل ولادتها و شهادتها و عیدهای دینی و مراسم سوگواری و بخصوص ماه‎هایی چون ماه رمضان و ماه محرم که دارای مراسم خاصی می‌باشند،الگوی بار شبکه را تغییر می‌دهند. برای مفهوم این مطلب منحنی بارشبکه سراسری در یک روز فروردین ماه را که از نظر قمری در ماه رمضان بوده (شکل4) با یک بار روزانه معمولی در همان ماه ولی بعد از ماه رمضان (شکل 5) مشاهده می‌کنیم. بجاست که ذکر گردد، به دلیل بیدار شدن مردم در نزدیکی اذان صبح برای اجرای مراسم سحری و روزه گرفتن، یک پیک بار دیده می‌شود (شکل 5). ولی در شکل ( 4 ) این پیک بار مشاهده نمی‎گردد، زیرا در ماه رمضان نیست.

نکته دوم که حائز اهمیت است، برابر شدن یک روز خاص از سال شمسی با یک روز خاص از سال قمری است، مثلاً در 16 فروردین سال 1370، از نظر شمسی روز جمعه است و روزی است که منحنی پخش بار با روزهای معمولی متفاوت است و از طرف دیگر روز ضربت خوردن امام اول شیعیان است که باعث می‌شود این روز نسبت به روزهای تعطیل در همان ماه تفاوت داشته باشد که منحنی روز 9 فروردین که روز جمعه می‌باشد و منحنی روز 16 فروردین در شکلهای ( 6 ) و ( 7 ) آورده شده است.

نکته سوم، روزهای خاصی است که منحنی پخش بار آنها بستگی به ساعت مشخصی دارد. این نکته در روزهای معمولی هم ممکن است باشد، مثل ماه رمضان که قبلاً بحث آن انجام شد ولی در روزهای خاص مثل روز اول سال، در لحظه تحویل سال ما دارای یک پیک بار هستیم، که رابطه مستقیم با ساعت تحویل سال دارد و منحنی روز اول فروردین سال 1370 که تحویل سال در ساعت 32/6 بوده در شکل (8 ) آورده شده است.

$Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image023.png$

شکل 4ـ منحنی بار روز معمولی بعد از ماه رمضان 28/1/1370

$Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image025.png$

شکل 5 ـ منحنی بار روز معمولی در ماه رمضان 20/1/1370

$Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image027.png$

شکل 6ـ منحنی بار روز تعطیل در ماه رمضان 9/1/1370

$Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image029.png$

شکل 7ـ منحنی بار روز تعطیل در ماه رمضان و روز ضربت امام اول 16/1/1370

$Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image031.png$

شکل 8 ـ منحنی بار روز اول سال 1370

الف ) بررسی ماه فروردین

برای بهتر مشخص شدن جواب‌های شبکه مصنوعی کوهنن با شعاع همسایگی 12 ابتدا روز شمار شمسی و قمری ماه فروردین را در شکل (9) نشان می‌دهیم تا توضیحات برروی جواب شبکه کوهنن آسانتر گردد. همانگونه که در شکل (10) دیده می‌شود شبکه کوهنن روزهای ماه را به 6 دسته تقسیم کرده است که شامل:

1ـ روز تحویل سال که در قسمت 17ـ16 قرار دارد

2ـ روزهای تعطیل در ماه رمضان

3ـ روزهای تعطیل در زمان غیر از ماه رمضان

4ـ روزهای عادی در زمان قبل از 13 فروردین

5ـ روزهای عادی در زمان بعد از 13 فروردین و تا قبل از 27 فروردین

6ـ روزهای عادی در زمان بعد از 27 فروردین

DATE ROW & COLUM

1370.1.1 16-17

1370.1.2 10-13

1370.1.3 3-6

Description: Text Box: 1370.1.4 3-6

1370.1.5 4-9

1370.1.6 3-6

1370.1.7 3-6

1370.1.8 9-13

1370.1.9 10-13

1370.1.10 3-6

1370.1.11 4-7

1370.1.12 9-13

1370.1.13 10-13

1370.1.14 4-7

1370.1.15 4-7

1370.1.16 9-13

1370.1.17 3-7

1370.1.18 9-15

1370.1.19 3-7

1370.1.20 3-7

1370.1.21 3-7

1370.1.22 3-7

1370.1.23 9-13

1370.1.24 4-7

1370.1.25 3-7

1370.1.26 3-7

1370.1.27 10-13

1370.1.28 4-9

1370.1.29 4-9

1370.1.30 7-13

1370.1.31 4-9

___________________________________________________________

شکل 9ـ روزشمار شمسی و قمری فروردین 1370

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18

1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

3 0 0 0 0 0 5 7 0 0 0 0 0 0 0 0 0 0 0

4 0 0 0 0 0 0 4 0 4 0 0 0 0 0 0 0 0 0

5 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

6 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

7 0 0 0 0 0 0 0 0 0 0 0 0 1 0 0 0 0 0

8 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

9 0 0 0 0 0 0 0 0 0 0 0 0 4 0 1 0 0 0

10 0 0 0 0 0 0 0 0 0 0 0 0 4 0 0 0 0 0

11 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

12 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

13 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

14 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

15 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

16 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 0

17 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

18 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

شکل 10 ـ نمایش جواب نهایی شبکه کوهنن برای ماه اول سال 1370

ب ) تقسیم‌بندی روزهای اردیبهشت ماه

ـ روزهای عادی

ـ روزهای تعطیل

ـ روزهای خاص (رحلت حضرت امام جعفر صادق تعطیل)

ج ) تقسیم‌بندی روزهای خردادماه

1ـ روزهای معمولی

2ـ روزهای قبل از تعطیل

3ـ روزهای تعطیل

4ـ روز خاص از نظر دینی (ولادت حضرت امام رضا (ع))

5ـ روز خاص از نظر ملی (15 خرداد)

لذا با توجه به مطالب فوق اهم الگوهای مصرف را می‌توان به چهار بخش عمدة ذیل تقسیم نمود:

1ـ روزهای عادی و معمولی

2ـ روزهای خاص دینی

3ـ روزهای خاص ملی

4ـ روزهای تعطیل

لذا با توجه به اینکه روزشمار دینی با روزشمار ملی متفاوت است می‌توان ادعا کرد که الگوی مصرف در ایام دینی به دلیل چرخش در ماههای مختلف متفاوت بوده و لازم است نمونه‎های بیشتری در اختیار داشته باشیم تا بتوانیم نتیجة علمی وبهتری را ارائه کنیم.

روند تغییرات فرهنگ مصرف انرژی الکتریکی در شبکه سراسری

حال که الگوهای مصرف را به کمک شبکه عصبی کوهنن تقسیم بندی نمودیم به بررسی روند تغییرات الگوهای مصرف در طی سالهای مختلف می‎پردازیم، تا روند تغییرات را پیگیری کنیم. این روند به ما کمک خواهد کرد تا تغییرات فرهنگ مصرف را در طی سالهای متمادی به دست آوریم.گرچه در بعضی از انواع الگوها مانند روزهای خاص دینی به دلیل چرخش 11 روزه در سال و تغییر درجه حرارت، نمی‎توان مقایسه درستی انجام داد، ولی در فازهای بعدی که به بررسی الگوهای مصرف منطقه‎ای خواهیم پرداخت مقایسه دقیق‎تری می‎توان انجام داد.

شکل (11) روند تغییرات روز جمعه را در اردیبهشت ماه چهار سال 1370، 1373 ، 1375 و 1376 نشان می‎دهد.

$Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image035.png$

شکل 11 ـ روند تغییرات روز جمعه در اردیبهشت ماه چهار سال 1370، 1373، 1375 و 1376

شکل (12) روند تغییرات روز عاشورا حسینی را در چهار سال 1370 ،1373 ، 1375 ،1376 نشان می‎دهد.

$Description: C:\Users\ADMINI~1\AppData\Local\Temp\msohtmlclip1\01\clip_image037.png$

شکل 12 ـ روند تغییرات روز عاشورا حسینی در چهار سال 1370، 1373، 1375،1376

قابل ذکر است که به دلایل گفته شده ، قصد ما در این مقاله بررسی این روند نیست زیرا پارامترهای مختلفی می‎تواند در این روند مؤثر باشند ولی در فاز دوم که در ادامه این مقاله خواهد بود به بررسی این پارامترها خواهیم پرداخت .

نتیجه‎گیری

با تحلیل‎های قبلی و توضیحات مشروح قبلی به ضرایب و مشخصات یک شبکه مصنوعی کرمنن مشخص گردید. در تعیین انواع روز، باید به چندین نکته زیر توجه نمود که این نکته‎ها یا عوامل سبب می‎شوند انواع روز به وجود آیند. نکته اول: برای بررسی بار شبکه باید به دو روز شمار شمسی و قمری توجه داشت چون این دو روز شمار تقریباً باهم 11 روز اختلاف دارند و بسیاری از ایام دینی ما مثل ولادتها و شهادتها و اعیاد دینی و مراسم سوگواری و به خصوص ماههائی چون رمضان و محرم دارای مراسم خاص می‎باشند. نکته دوم: برابر شدن یک روز خاص از سال شمسی با یک روز خاص از سال قمری است. مثلاً در روز 16 فروردین سال 1370 از نظر شمسی روز جمعه است و از طرف دیگر روز ضربت خوردن امام اول شیعیان می‎باشد. نکته سوم: روزهای خاصی است که منحنی پخش بار آنها بستگی به ساعت مشخصی دارد در این مورد می‎توان به زمان اذان در ماه رمضان و زمان تحویل سال در روز اول فروردین اشاره کرد.

مراجع

1- Hine – chune Yang | MSc & Yuan – yih Hsu | PHD

“Design of artificial neural networks for short-term load foreing- part I . Self-organising feature maps for day type identification.”

IEEE 1991

2- علیرضا خیامی، ” بررسی کاربردهای شبکه عصبی در سیستمهای قدرت“. پایان نامه دانشکده برق دانشگاه علم و صنعت ایران ( 1372 )

3- علیرضا خیامی و صادق جمالی، ”پیش بینی کوتاه مدت بار روزانه با استفاده از شبکه‎های عصبی“. چهارمین کنفرانس سراسری شبکه های توزیع نیروی برق ( بندر عباس 1373 )