تحلیل و پیش بینی رفتار مصرف برق مشترکین با استفاده از تکنیک های داده کاوی (مطالعه موردی: شرکت توزیع نیروی برق آذربایجان غربی)

در عصر حاضر به جرات می­توان گفت بشر برای انجام فعالیت­های روزمره و افزایش رفاه زندگی خود، بیش از هر انرژی دیگر از انرژی الکتریکی بهره می­برد. با توجه به مشکل ذخیره­سازی انرژی الکتریکی، پیش­بینی میزان بار مورد نیاز به منظور داشتن یک شبکه توزیع برق مطمئن و پایدار حیاتی است. مشترکین برق یکی از اصلی­ترین ارکان زنجیره عرضه برق می­باشند. هدف این تحقیق پیش­بینی برق مصرفی مشترکین و تحلیل رفتار مصرفی آن­ها تحت تاثیر عوامل آب­و­هوایی و متغیرهای زمانی می­باشد. در صورت داشتن یک پیش­بینی مناسب و دقیق می­توان از هدررفت منابع مالی ناشی از افزایش هزینه­های عملیاتی جلوگیری نمود. از سوی دیگر، با توجه به حجم انبوه داده­های مصرف مشترکین و عوامل موثر، تنها می­توان با استفاده از ابزارهای نوین فن­آوری اطلاعات همچون داده­کاوی به تجزیه­وتحلیل داده­ها پرداخت. ابزار داده­کاوی به استخراج الگوها و دانش پنهان از داده­ها جهت یک پیش­بینی درست می­پردازد.

در این تحقیق، به بررسی و پیش­بینی میزان مصرف برق مشترکین شرکت توزیع نیروی برق آذربایجان غربی می­پردازیم. برای این منظور و با در اختیار داشتن داده­های مصرفی 5595 مشترک طی 12 دوره دوماهه، الگوریتم­های پیش­بینی کننده همچون CHAID، C&R،Regression ،Neural Networks را بر روی داده­های موجود اجرا نموده و نتایج حاصل از اجرای هر الگوریتم بر اساس معیارهای ارزیابی خطای پیش­بینی مانند میانگین درصد قدرمطلق خطا مورد بررسی و مقایسه قرار گرفت. نیز با خوشه­بندی مشترکین با استفاده از الگوریتم Kohonen به بررسی رفتار مصرفی آن­ها پرداخته شد. در نهایت، به نتیجه­گیری و ارائه ­پیشنهادات پرداختیم.

کلمات کلیدی: پیش­بینی، مصرف برق، مشترک، داده‌کاوی، دسته­ بندی، رگرسیون، خوشه ­بندی

 

عنوان صفحه

فصل اول: مقدمه و طرح مسئله

1-1- مقدمه 1

1-2- بیان مسئله تحقیق 2

1-3- ضرورت و اهداف تحقیق 3

1-4- جنبه جدید بودن و نوآوری تحقیق 6

1-5- ساختار پایان­نامه 7

فصل دوم: مبانی نظری تحقیق

2-1- مقدمه 9

2-2- انرژی الکتریکی و اهمیت آن 9

2-3- ویژگی­های انرژی الکتریکی 11

2-4- تاریخچه صنعت برق در جهان و ایران 14

2-5- زنجیره­ی عرضه­ی برق 15

2-5-1 تولید 16

عنوان صفحه

2-5-2- انتقال 16

2-5-3- توزیع 16

2-5-3-1- مصرف برق در ایران و جهان 17

2-5-3-2- مشترک 18

2-5-3-2-1- مشترکین بخش خانگی 18

2-5-3-2-2- مشترکین بخش تجاری 19

2-5-3-2-3- مشترکین بخش صنعت 19

2-5-3-2-4- مشترکین بخش عمومی 19

2-5-3-2-5- مشترکین بخش حمل­و­نقل 20

2-5-3-2-6- مشترکین بخش کشاورزی 20

2-6 مطالعه و پیش­بینی بار 22

2-6-1- الگوی مصرف 23

2-6-2- پیش­بینی مصرف 23

2-6-3- عوامل موثر بر مصرف برق 24

2-6-3-1- شرایط آب­و­هوایی 25

2-6-3-2- متغیرهای زمانی 26

2-6-3-3- ویژگی­های محل اقامت مشترک 27

2-7- داده­کاوی 27

2-7-1- اهداف داده ­کاوی 29

2-7-2- روش­های داده ­کاوی 30

2-7-2-1- دسته­بندی 30

عنوان صفحه

2-7-2-2- خوشه­بندی 31

2-7-2-3- تحلیل وابستگی 31

2-7-3- فرآیند داده­کاوی ( مدل CRISP-DM ) 32

2-8- چکیده فصل 34

 

فصل سوم: مروری بر ادبیات تحقیق

3-1- پیشینه تحقیق 36

3-2- چکیده فصل 41

 

فصل چهارم: روش تحقیق

4-1- مقدمه 43

4-2- فرآیند داده­کاوی 44

4-3- استاندارد CRISP-DM 44

4-3-1- مرحله درک تجاری 45

4-3-2- مرحله درک داده­ها 46

4-3-3- مرحله پیش­پردازش داده­ها 50

4-3-4- مرحله ساختن مدل 53

4-3-4-1- الگوریتم C&R 53

4-3-4-2- الگوریتم CHAID 55

4-3-4-3- الگوریتم رگرسیون خطی 56

4-3-4-4- الگوریتم شبکه عصبی 57

4-3-4-5- الگوریتم کوهونن 58

عنوان صفحه

4-3-5- مرحله ارزیابی مدل 59

4-3-6- بکارگیری مدل 61

4-4- چکیده فصل 62

 

فصل پنجم: نتایج و ارزیابی

5-1- مقدمه 63

5-2- نتایج 64

5-2-1- نتایج حاصل از پیش­بینی مصرف برق مشترکین با در نظر گرفتن "تعطیلات" به عنوان عامل موثر 64

5-2-2- نتایج حاصل از پیش­بینی مصرف برق مشترکین با در نظر گرفتن "میانگین ارتفاع سقف ابر" به عنوان عامل موثر 66

5-2-3- نتایج حاصل از پیش­بینی مصرف برق مشترکین با در نظر گرفتن "کمینه دما و بیشینه دمای موثر" به عنوان عوامل موثر 67

5-2-4- نتایج حاصل از پیش­بینی مصرف برق مشترکین با در نظر گرفتن "تعطیلات، میانگین ارتفاع سقف ابر، کمینه دما و بیشینه دمای موثر" به عنوان عوامل موثر 68

5-2-5- مقایسه عملکرد حالت­های مختلف بر اساس معیار ارزیابی میانگین درصد قدرمطلق خطا 71

5-2-6- خوشه­بندی رفتار مصرفی مشترکین برق با در نظر گرفتن عوامل موثر 72

5-3- چکیده فصل 76

 

فصل ششم: نتیجه­گیری و پیشنهادات

6-1- مقدمه 77

6-2- یافته­های تحقیق 78

6-3- پیشنهاد برای تحقیقات آتی 81

منابع 82

فهرست جدول­ها

عنوان و شماره صفحه

جدول 4-1- اطلاعات کارکرد مشترکین 46

جدول 4-2- اطلاعات هواشناسی 48

جدول 5-1- پیش­بینی مصرف برق مشترکین با عامل "تعطیلات" 65

جدول 5-2- پیش­بینی مصرف برق مشترکین با عامل "میانگین ارتفاع سقف ابر" 66

جدول 5-3- پیش­بینی مصرف برق مشترکین با عوامل "کمینه دما و بیشینه دمای موثر" 67

جدول 5-4- پیش­بینی مصرف برق مشترکین با عوامل "تعطیلات، میانگین ارتفاع سقف ابر، کمینه دما و بیشینه دمای موثر " 69

جدول 5-5- خوشه­های رفتاری مشترکین برق 73

فهرست شکل­ها

عنوان صفحه

شکل 2-1- نمودار مصرف برق در جهان در طی سال­های 2000-20009 17

شکل 2-2- نمودار مصرف برق در ایران در طی سال­های 1383-1389 18

شکل 2-3- درصد انرژی برق مصرفی کشور به تفکیک بخش­های مختلف در سال 1389 21

شکل 2-4- درصد مشترکین بخش­های مختلف در سال 1389 21

شکل 2-5- درصد انرژی مصرفی استان آذربایجان غربی به تفکیک بخش­های مختلف در سال 1389 21

شکل 2-6- درصد مشترکین بخش­های مختلف استان آذربایجان غربی در سال 1389 21

شکل 2-7- داده­کاوی به عنوان یک مرحله از فرآیند کشف دانش 29

شکل 2-8- مراحل مدل مرجع فرآیند داده­کاوی 33

شکل 4-1- ساختار شبکه کوهونن 58

شکل 5-1- مقایسه الگوریتم­ها در پیش­بینی مصرف برق مشترکین با عامل "تعطیلات" 65

شکل 5-2- مقایسه الگوریتم­ها در پیش­بینی مصرف برق مشترکین با عامل "میانگین ارتفاع سقف ابر" 67

شکل 5-3- مقایسه الگوریتم­ها در پیش­بینی مصرف برق مشترکین با عوامل "کمینه دما و بیشینه دمای موثر" 68

شکل 5-4- مقایسه الگوریتم­ها در پیش­بینی مصرف برق مشترکین با عوامل "تعطیلات، میانگین ارتفاع سقف ابر، کمینه دما و بیشینه دمای موثر " 69

شکل 5-5- قسمتی از درخت تصمیم ایجاد شده توسط مدل Kohonen-CHAID 70

شکل 5-6- مقادیر میانگین مصرف واقعی و پیش­بینی شده توسط مدل Kohonen-CHAID 71

شکل 5-7- عملکرد حالت­های مختلف بر اساس معیار ارزیابی میانگین درصد قدرمطلق خطا 72

کلمات اختصاری

 

Co2 Carbon dioxide

GDP Gross Domestic Product

NI National Income

IEA International Energy Agency

LTF Long-Term Load Forecasting

MTLF Medium-Term Load Forecasting

STLF Short-Term Load Forecasting

CRISP-DM Cross Industry Standard Process for Data Mining

CI Computational Intelligence

C&R Classification & Regression

CHAID Chi-squared Automatic Interaction Detection

SOM Self-Organizing Map

MSE Mean-Square Error

RMSE Root-Mean-Square Error

MAE Mean Absolute Error

MAPE Mean Absolute Percentage Error