پیش‌بینی بلندمدت تقاضا در "زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان" با استفاده از شبکه عصبی عمیق و ماشین یادگیری شدید

روش‌های هوشمند در صنعت برق

مقاله 1، دوره 13، شماره 49، خرداد 1401، صفحه 1-20   

نوع مقاله: مقاله پژوهشی

نویسندگان

سپهر معلم¹؛ رویا محمدعلی پوراهری^{* 1}؛ غضنفر شاهقلیان²؛ مجید معظمی³؛ سید محمد کاظمی¹

¹گروه مهندسی صنایع- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

²مرکز تحقیقات ریز شبکه های هوشمند- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

³دانشکده مهندسی برق- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

چکیده

صنایع سنگ آهن اسپیدان یکی از صنایع پر مصرف برق در زنجیره تامین انرژی الکتریکی استان اصفهان به­عنوان دومین قطب صنعتی کشور و یکی از تامین­کنندگان اصلی مواد اولیه در زنجیره تامین صنایع فولاد کشور است. برنامه‏ریزی در یک زنجیره تامین انرژی الکتریکی با ابعاد بزرگ در فضائی پر از تردید و عدم قطعیت، با پیش‏بینی تقاضای انرژی ­الکتریکی آغاز می­گردد. در این مقاله یک روش پیش­بینی بلندمدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان اصفهان با استفاده از یک روش ترکیبی شامل تبدیل موجک، شبکه عصبی عمیق و تکنیک داده­کاوی مبتنی بر ماشین یادگیری شدید پیشنهاد شده است. داده­های مورد نظر در این مطالعه با توجه به اطلاعات ثبت شده از سیگنال تقاضای انرژی الکتریکی صنایع تولیدی سنگ آهن اسپیدان در یک بازه زمانی 40 ماهه و به­صورت 24 ساعته استخراج و استفاده شده است. داده­ها در بخشی از دوره مورد نظر ناشی از عدم تولید این صنعت در بازه مورد مطالعه منقطع بود به­طوری­که فقط 40 درصد از داده­ها دارای مقدار و 60 درصد مابقی صفر یا ناهمگون بوده­اند. این موضوع باعث نقص اطلاعات و بالا رفتن خطای پیش­بینی در بخش اول الگوریتم پیشنهادی در خروجی شبکه عصبی عمیق تا 40 درصد شد. جهت بهبود پیش­بینی و کاهش خطای ایجاد شده، با تکمیل مدل پیشنهادی با ماشـین یـادگیری شـدید، امکان ایجاد یـک مدل پیش­بینی بهبود­یافته برای انجام آموزش تحت نظارت میسر گردید. در نهایت نتایج به­دست آمده با تکنیک­های دیگری مانند ماشین بردار پشتیبان و درخت تصمیم­گیری مقایسه شده است. نتایج بهبود و کاهش خطا و افزایش قابل توجه دقت روش پیشنهادی در پیش­بینی بلند-مدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان را نشان می­دهند.

کلیدواژه‌ها

تبدیل موجک؛ یادگیری عمیق؛ ماشین یادگیری شدید؛ ماشین بردار پشتیبان؛ درخت تصمیم گیری؛ پیش‌بینـی تقاضا؛ زنجیره تامین انرژی الکتریکی؛ میانگین درصد خطا

مراجع

[1] M. Tan, S. Yuan, S. Li, Y. Su, H. Li, F. He, "Ultra-short-term industrial power demand forecasting using LSTM based hybrid ensemble learning", IEEE Trans. on Power Systems, vol. 35, no. 4, pp. 2937-2948, July 2020 (doi: 10.1109/TPWRS.2019.2963109).

[2] M. Abdollahi, M. Moazzami, “Day-ahead coordination of vehicle-to-grid operation and wind power in security constraints unit commitment (SCUC)”, Journal of Intelligent Procedures in Electrical Technology, vol. 6, no. 22, pp. 49-56, Summer 2015.

[3] A. T. Eseye, M. Lehtonen, T. Tukia, S. Uimonen, R.J. Millar, "Machine learning based integrated feature selection approach for improved electricity demand forecasting in decentralized energy systems". IEEE Access, vol. 7, pp. 91463-91475, 2019 (doi: 10.1109/ACCESS.2019.2924685).

[4] T. Hong, P. Pinson, Y. Wang, R. Weron, D. Yang, H. Zareipour, "Energy forecasting: A review and outlook", IEEE Open Access Journal of Power and Energy, vol. 7, pp. 376-388, Oct. 2020 (doi: 10.1109/OAJPE.2020.3029979).

[5] S.H. Mozafarpoor-Khoshrodi, G. Shahgholian, "Improvement of perturb and observe method for maxim­u­m power point tracking in wind energy conversion system using fuzzy controller", Energy Equip­men­t and Systems, vol. 4, no. 2, pp. 111-122, Autumn 2016 (doi: 10.22059/EES.2016.23031).

[6] H. Karimi, B. Fani, G. Shahgholian, “Coordinated protection scheme based on virtual impedance control for loop-based microgrids”, Journal of Intelligent Procedures in Electrical Technology, vol. 12, no. 46, pp. 15-32, Summer 2021 (in Persian).

[7] F. Keynia, G. Memarzadeh, “Short term electric load prediction based on deep neural network and wavelet transform and input selection”, Iranian Electric Industry Journal of Quality and Productivity, vol. 8, no. 2, pp. 65-74, Autumn 2019 (in Persian).

[8] M. Moazzami, S. J. Hosseini, H. Shahinzadeh, G. Gharehpetian, J. Moradi, “SCUC considering loads and wind power forecasting uncertainties using binary gray wolf optimization method”, Majlesi Journal of Electrical Engineering, vol. 12, no. 4, pp. 15-24, Dec. 2018.

[9] R. Ebrahimi, G. Shahgholian, B. Fani, “Fast islanding detection for distribution system including PV using multi-model decision tree algorithm”, Majlesi Journal of Electrical Engineering, vol. 14, no. 4, pp. 29-38, Dec. 2020.

[10] B. Fani, S. Fehresti-Sani, E. Adib, “Short-term load forecasting of distribution power system for weekdays using old data”, Journal of Intelligent Procedures in Electrical Technology, vol. 5, no. 18, pp. 25-36, Summer 2014 (in Persian).

[11] S. N. Emenike, G. Falcone, “A review on energy supply chain resilience through optimization”, Renewa­b­l­e and Sustainable Energy Reviews, vol. 134, Paper Number: 110088, Dec. 2020 (doi: 10.1016/j.rser­.20­20.1­100­88).

[12] O. Abedinia, N. Amjady, H. Zareipour, “A new feature selection technique for load and price forec­ast of electrical power systems”, IEEE Trans. on Power Systems, vol. 32, no. 1, pp. 62–74, Jan. 2017 (doi: 10.11­0­9­­/­TPW­RS.2016.2556620).

[13] H. Shayeghi, A. Ghasemi, “Modeling of multi input multi output based LSSVM for electricity price and load forecasting in smart grid with considering demand side management”, Computational Intelligence in Electrical Engineering, vol. 6, no. 4, pp. 87-106, Winter 2016 (in Persian).

[14] W.M. Lin, C. S. Tu, R. F. Yang, M. T. Tsai, “Particle swarm optimization aided least square support vector machine for load forecast with spikes”, IET Generation, Transmission and Distribution, vol. 10, no. 5, pp- 1145–1153, April 2016 (doi: 10.1049/iet-gtd.2015.0702).

[15] H. Fang, J. Ma, W. Zhang, H. Yang, F. Chen, X. Li, "Hydraulic performance optimization of pump impeller based on a joint of particle swarm algorithm and least-squares support vector regression", IEEE Access, vol. 8, pp. 203645-203654, Nov. 2020 (doi: 10.1109/ACCESS.2020.3036913).

[16] H. Jiang, Y. Zhang, E. Muljadi, J.J. Zhang, D.W. Gao, “A short-term and high-resolution distribution system load forecasting approach using support vector regression with hybrid parameters optimization”, IEEE Trans. on Smart Grid, vol. 9, no. 4, pp. 3341–3350, July 2018 (doi: 10.1109/TSG.2016.2628061).

[17] Y. Liu, Y. Sun, D. Infield, Y. Zhao, S. Han, J. Yan, “A hybrid forecasting method for wind power ramp based on orthogonal test and support vector machine (OT-SVM)”, IEEE Trans. on Sustainable Energy, vol. 8, no. 2, pp- 451–457, April 2017 (doi: 10.1109/TSTE.2016.2604852).

[18] J. Nowotarski, R. Weron, “Computing electricity spot price prediction intervals using quantile regression and forecast averaging”, Springer Computational Statistics Journal, vol. 30, no. 3, pp- 791-803, Sept. 2015 (doi: 10.1007/s00180-014-0523-0).

[19] B. Liu, J. Nowotarski, T. Hong, R. Weron, “Probabilistic load forecasting via quantile regression averag­in­g­ on sister forecasts”, IEEE Trans.  on Smart Grid, vol. 8, no. 2, pp-730-737, March 2017 (doi: 10.11­09/TS­G.20­15.2437877).

[20] Q. Liu, Y. Shen, L. Wu, J. Li, L. Zhuang, S. Wang, “A hybrid FCW-EMD and KF-BA-SVM based model for short-term load forecasting”, CSEE Journal of Power and Energy Systems, vol. 4, no. 2, pp: 226–237, June 2018 (doi: 10.17775/CSEEJPES.2016.00080).

[21] P. Zeng, M. Jin, “Peak load forecasting based on multi-source data and day-to-day topological network”, IET Generation, Transmission and Distribution, vol. 12, no. 6, pp- 1374–1381, March 2018 (doi: 10.104­9/ie­t-gtd.2017.0201).

[22] H. Shi, M. Xu, R. Li, “Deep learning for household load forecasting A novel pooling deep RNN”, IEEE Trans. on Smart Grid, vol. 9, no. 5, pp. 5271-5280, Sept. 2018 (doi: 10.1109/TSG.2017.2686012).

[23] W. Kong, Z. Y. Dong, Y. Jia. D. J. Hill, Y. Xu, Y. Zhang, “Short-term residential load forecasting based on LSTM recurrent neural network”, IEEE Trans. on Smart Grid, vol. 10, no. 1, pp. 841-851, Jan. 2019 (doi: 10.1109/TSG.2017.2753802).

[24] F. Y. Xu, X. Cun, M. Yan, H. Yuan, Y. Wang, L. L. Lai, “Power market load forecasting on neural network with beneficial correlated regularization”, IEEE Trans. on Industrial Informatics, vol. 14, no. 11, pp. 5050-5059, Nov. 2018 (doi: 10.1109/TII.2017.2789297).

[25] M. Rafiei, T. Niknam, J. Aghaei, M. Shafie Khah, J.P.S. Catalão, “Probabilistic load forecasting using an improved wavelet neural network trained by generalized extreme learning machine”, IEEE Trans. on Smart Grid, vol. 9, no. 6, pp. 6961-6971, Nov. 2018 (doi: 10.1109/TSG.2018.2807845).

[26] W. Zhang, H. Quan, D. Srinivasan, “An improved quantile regression neural network for probabilistic load forecasting”, IEEE Trans. on Smart Grid, vol. 10, no. 4, pp. 4425-4434, July 2019 (doi: 10.1109/TS­G.20­1­8.2­859749).

[27] Z. Yu, Z. Niu, W. Tang, Q. Wu, “Deep learning for daily peak load forecasting– A novel gated recurrent   neural network combining dynamic time warping”, IEEE Access, vol. 7, pp. 17184–17194, Jan. 2019 (doi: 10.11­09/ACCESS.2019.2895604).

[28] C. Ye, Y. Ding, P. Wang, Z. Lin, “A data driven bottom-up approach for spatial and temporal electric load forecasting”, IEEE Trans. on Power Systems, vol. 34, no. 3, pp. 1966–1979, May 2019 (doi: 10.1109/TP­WRS.­2­018.2889995).

[29] T. Ouyang, Y. He, H. Li, Z. Sun, S. Baek, “Modeling and forecasting short-term power load with copula model and deep belief network”, IEEE Trans. on Emerging Topics in Computational Intelligence, vol. 3, no. 2, pp. 127-136, April 2019 (doi: 10.1109/TETCI.2018.2880511).

[30] K. Chen, K. Chen, Q. Wang, Z. He, J. Hu, J. He, “Short-term load forecasting with deep residual networks”, IEEE Trans. on Smart Grid, vol. 10, no. 4, pp. 3943-3952, July 2019 (doi: 10.1109/TSG.20­18.28­44307).

[31] Z. Deng, B. Wang, Y. Xu, T. Xu, C. Liu, Z. Zhu, “Multi-scale convolutional neural network with time-cognition for multi-step short-term load forecasting", IEEE Access, vol. 7, pp. 88058-88071, July 2019 (doi: 10.1109/ACCESS.2019.2926137).

[32] Y. Wang, N. Zhang, Q. Chen, D.S. Kirschen, P. Li, Q. Xia, “Data-driven probabilistic net load forecasting with high penetration of behind-the-meter PV”, IEEE Trans. on Power Systems, vol. 33, no. 3, pp. 3255-3264, May 2018 (doi: 10.1109/TPWRS.2017.2762599).

[33] L. Alfieri, P.D. Falco, "Wavelet-based decompositions in probabilistic load forecasting", IEEE Trans. on Smart Grid, vol. 11, no. 2, pp. 1367-1376, March 2020 (doi: 10.1109/TSG.2019.2937072).

[34] Y. Hong, Y. Zhou, Q. Li, W. Xu, X. Zheng, "A deep learning method for short-term residential load forecasting in smart grid", IEEE Access, vol. 8, pp. 55785-55797, 2020 (doi: 10.1109/ACCESS.2020.29­81817).

[35] X. Luo, J. Sun, L. Wang, W. Wang, W. Zhao, J. Wu, J.H. Wang, "Short-term wind speed forecasting via stacked extreme learning machine with generalized correntropy", IEEE Trans. on Industrial Informatics, vol. 14, no. 11, pp. 4963-4971, Nov. 2018 (doi: 10.1109/TII.2018.2854549).

[36] A.J.R. Reis, A.P.A. Silva, "Feature extraction via multiresolution analysis for short-term load fore­cas­ti­ng", IEEE Trans. on Power Systems, vol. 20, no. 1, pp. 189-198, Jan. 2005 (doi: 10.1109/TPWR­S.20­0­4­.8­40­38­0).

[37] Z.A. Bashir, M.E. El-Hawary, "Applying wavelets to short-term load forecasting using PSO-based neural networks", IEEE Trans. on Power Systems, vol. 24, no.1, pp. 20-27, Feb. 2009 (doi: 10.1109/TPW­RS.20­0­8­.2­­008606).

[38] Y. Chen, P.B. Luh, C. Guan, Y. Zhao, L.D. Michel, M.A. Coolbeth, P.B. Friedland, S.J. Rourke, "Short-term load forecasting: Similar day-based wavelet neural networks", IEEE Trans. on Power Systems, vol. 25, no. 1, pp. 322-330, Feb. 2010 (doi: 10.1109/TPWRS.2009.2030426).

[39] S. Mujeeb, N. Javaid, M. Ilahi, Z. Wadud, F. Ishmanov, M. K. Afzal, “Deep long short-term memory: A new price and load forecasting scheme for big data in smart cities”, MDPI Sustainability, vol. 11, no. 4, Feb. 2019 (doi: 10.3390/su11040987).

[40] G. B. Huang, Q. Y. Zhu, C. K. Siew, “Extreme learning machine: Theory and applications”, Neurocom­puting, vol. 70, no. 1-3, pp. 489–501, Dec. 2206 (doi: 10.1016/j.neucom.2005.12.126).

[41] H. Liu, E. Dougherty, J. Dy, K. Torkkola, E. Tuv, H. Peng, C. Ding, F. Long, M. Berens, L. Parsons, L. Yu, Z. Zhao, G Forman, “Evolving feature selection”, IEEE Intelligent Systems, vol. 20, no. 6, pp. 46–76, Dec. 2005 (doi: 10.1109/MIS.2005.105).

[42] J. Sohrabi, M. Moazzami, “Probabilistic mid-term net load forecasting considering the effect of solar power using extreme learning machine”, Computational Intelligence in Electrical Engineering, vol. 11, no. 2, pp. 59-72, Summer 2020 (in Persian) (doi: 10.22108/isee.2019.119079.1276).

[43] T.M. Hagan, B.H. Demuth, M. Beale, Neural Network Design, PWS Publishing Company, 1996.

[44] N. Amjady, A. Daraeepour, “Midterm demand prediction of electrical power systems using a new hybrid forecast technique”, IEEE Trans. on Power Systems, vol. 26, no. 2, pp. 755-765, May 2011 (doi: 10.110­9/T­P­­WRS.2010.2055902).