بررسی تاثیر ادغام اطلاعات مناطق الکتریکی مختلف در پیش بینی بار شبکه قدرت با ارائه یک روش نوین پیش بینی سلسله مراتبی

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 داده های تاریخی تمام مناطق و یا انواع مختلف بارهای مصرفی (مسکونی، تجاری و صنعتی) به یک میزان حایز 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 ارایه نمی دهد، روش های مختلفی برای ادغام پیش بینی مناطق مختلف وجود دارد. در ساده ترین 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 ارایه نمی دهد بلکه نیازمند دسترسی به جزییات داده های تاریخی بار و عوامل موثر آن به تفکیک هر منطقه نیز می باشد. از این رو، در این مقاله روش های ادغام مختلفی نظیر روش های 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 می دهند که روش ترکیب بهینه بهترین نتیجه را ارایه می دهد.