تحلیل و پیش¬بینی رفتار مصرف برق مشترکین با استفاده از تکنیک¬های داده¬کاوی(مطالعه موردی شرکت توزیع نیروی برق آذربایجان غربی)- قسمت 16

74303.803

 

74304.764

 

74299.680

 

74277.985

 

72676.417

 

74289.121

 

74343.445

 

74356.793

 

Total consumption
(74294.676) 0.012

 

0.013

 

0.006

 

0.022

 

2.178

 

0.007

 

0.065

 

0.083

 

Total Error %

نمودار 5-4 کارایی الگوریتم­های مختلف را بر اساس معیار میانگین درصد قدرمطلق خطا، با در نظر گرفتن “تعطیلات، میانگین ارتفاع سقف ابر، کمینه دما و بیشینه دمای موثر” به عنوان عوامل موثر قبل و بعد از خوشه­بندی نشان می­دهد.
شکل 5-4: مقایسه­ الگوریتم­ها در پیش ­بینی مصرف برق مشترکین با عوامل ” تعطیلات، میانگین ارتفاع سقف ابر ، کمینه دما و بیشینه دمای موثر”
شکل 5-5 نشان­دهنده قسمتی از درخت تصمیم ایجاد شده توسط مدل Kohonen-CHAID است (درخت کامل ایجاد شده در پیوست 2 ارائه شده است).
شکل 5-5- قسمتی از درخت تصمیم ایجاد شده توسط مدل Kohonen-CHAID
در شکل 5-6، مقادیر میانگین مصرف واقعی و پیش ­بینی شده توسط مدل Kohonen-CHAID برای 30 مشترک تصادفی نمایش داده شده است.
شکل 5-6- مقادیر میانگین مصرف واقعی و پیش ­بینی شده توسط مدل Kohonen-CHAID
5-2-5- مقایسه عملکرد حالت­های مختلف بر اساس معیار ارزیابی میانگین درصد قدرمطلق خطا
همانطور که نمودار 5-7 نشان می­دهد، در تمامی حالت­ها استفاده از تکنیک خوشه­بندی قبل از انجام پیش ­بینی موجب کاهش چشمگیر میانگین درصد قدرمطلق خطا در الگوریتم­های پیش ­بینی کننده گردیده است، همچنین پیش ­بینی بار مصرفی مشترکین تحت تاثیر چهار عامل ” تعطیلات، میانگین ارتفاع سقف ابر، کمینه دما و بیشینه دمای موثر” بصورت همزمان دارای نتایج مطلوب­تری می­باشد. نیز مدل مصرف بار مشترکین ایجاد شده توسط الگوریتم CHAID در مقایسه با سایر مدل­ها، پیش­بینی­های نزدیک به واقعیت را ارائه می­نماید.
MAPE %
شکل 5-7- عملکرد حالت­های مختلف بر اساس معیار ارزیابی میانگین درصد قدرمطلق خطا
نتیجه جالب توجه پژوهش حاضر این است که با پیش ­بینی بار مصرفی تک­تک مشترکین، بالطبع مجموع بار مصرفی کلی مشترکین نیز به­دست می ­آید که این میزان بار پیش ­بینی شده نسبت به مصرف واقعی، دارای کمترین میانگین درصد قدرمطلق خطا بوده و می ­تواند به عنوان راه­حل نوینی برای پیش ­بینی بار مصرفی کل مشترکین در نظر گرفته شود.
5-2-6- خوشه­بندی رفتار مصرفی مشترکین برق با در نظر گرفتن عوامل موثر
همان­طور که در فصول قبلی مطرح گردید، مطالعه­ الگوی مصرف بار یکی از مسائل مهم در مدیریت عرضه­ی انرژی الکتریکی در شرکت­های توزیع نیروی برق می­باشد، و از سوی دیگر در زمان حاضر با توجه به تعدد مشترکین و عوامل موثر بر مصرف، استفاده از روش­های سنتی جهت شناسایی و مطالعه­ گروه­های مصرف امری مشکل می­باشد. لذا هدف این پژوهش بررسی امکان استفاده از تکنیک سودمند خوشه­بندی در ابزارهای داده ­کاوی به منظور تجزیه و تحلیل خوشه ­های رفتاری و نیز تاثیر هر خوشه بر مصرف کلی و شناسایی الگوهای شاخص رفتاری است.
بدین منظور با بهره گرفتن از الگوریتم Kohonen، خوشه­بندی بر روی داده ­های موجود انجام و نتایج برای 12 خوشه حاصل گردید. در جدول 5-5 مراکز هر خوشه که بیانگر ویژگی­های آن خوشه است، میزان تاثیر هر خوشه بر مصرف کلی و نیز الگوهای شاخص رفتاری هر کدام ارائه شده است.
جدول 5-5- خوشه ­های رفتاری مشترکین برق

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Cluster Records Ratio
%
Consumption Holidays Cloud Ceiling (m) / Mean Temperature C / High Temperature C / Low
Mean Standard Deviation Mean Standard Deviation Mean Standard Deviation Mean Standard Deviation Mean Standard Deviation
Cluster_1

Leave a Reply

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *