Modelling of Demand Managing Based MIMO System for Price/Load Forecasting in Smart Grid

Ghasemi Marzbali, Ali and Shayeghi, Hossein and Moradzadeh, Mohammad and Nooshyar, Mahdi (2017) Modelling of Demand Managing Based MIMO System for Price/Load Forecasting in Smart Grid. Doctoral thesis, University of Mohaghegh Ardabili.

[img] Text (مدلسازی سیستم MIMO مبتنی بر مدیریت تقاضا برای پیش‎بینی همزمان قیمت و بار در شبکه هوشمند)
Ali Ghasemi Marzbali.pdf

Download (1MB)
Official URL: http://www.uma.ac.ir

Abstract

Since in smart grid the information flow has two ways between customers and manufacturers, the individual forecasting of electricity price and load won't be reasonable. Basically, short term forecasting is more difficult compare to medium and long term forecasting since the short term forecasting needs more accuracy in pick and valleys of a signal. Hereby, this dissertation addresses the multi-input multi-output system to forecast the electricity price and load in a simultaneous form for short term periods in a day and a week while consider their correlation. Therefore, a forecasting model is divided into three main parts, namely, preprocessing, learning engine and adjusted algorithm and each one of them carried out some new suggestions in order to improve forecasting accuracy. In first part consists of wavelet transform and mutual information to remove noisy term and select valuable input data, the second part used multi-input multi-output support vector machine to consider correlation between price and load signals and the last part employs an optimization algorithm (all parts will be with their derivation) in order to optimally set the learning engine control variables e.g. weight, Bayes, penalty factor and etc. As an earlier description, the principal aim of the smart grid is to improve the social benefits to the customers and the manufacturers so that the customer can change their usage profile that means they can shift their load peak on hour-to-hour in an economical way. This means a practical definition of demand-side management in a smart grid. Responsiveness of the market participants can improve the reliability of system operation as well as capital cost investments. As a result, in this dissertation the demand-side management is converted to an optimization problem in smart grid and its effect on load profile is evaluated. The proposed forecasting algorithms are evaluated on several real and well-known markets illustrating its high accuracy in a simultaneous forecast of electricity price and load. Moreover, the interactive effects of demand-side management programs on load factor (load curve) and electricity price signal are investigated by numerical indices. They are shown that the proposed multi input multi output forecasting algorithms have a good potential for simultaneous forecasting of electricity price and load in a smart grid compare to available methods. Moreover, demand-side management makes better load factor and forecasting accuracy in the lowest error value. Keywords: Simultaneous forecast of electricity price and load, multi-input multi-output, demand-side management, wavelet transform, feature selection, optimization, smart grid.

Item Type: Thesis (Doctoral)
Persian Title: مدلسازی سیستم MIMO مبتنی بر مدیریت تقاضا برای پیش‎بینی همزمان قیمت و بار در شبکه هوشمند
Persian Abstract: در شبکه هوشمند انتقال دوطرفه اطلاعات مابین مصرف‎کننده و تولیدکننده سبب شده تا پیش‌بینی مجزای آن‎ها به‌عنوان دو شاخص اصلی در تصمیم‎گیری‎های شرکت‎کنندگان، غیرقابل‌قبول باشد. علاوه بر این، اصولا این پیچیدگی برای مساله پیش‎بینی در دوره زمانی کوتاه مدت در مقایسه با دوره زمانی بلند مدت و میان مدت، نیازمند دقت بیشتری است. به همین دلیل در این رساله سیستم چند ورودی چند خروجی برای پیش‌بینی همزمان قیمت و بار در دوره زمانی کوتاه مدت یک روز الی یک هفته با در نظر گرفتن همبستگی بین آن‎ها پیشنهاد ‌شده است. برای رسیدن به این هدف مدل پیشنهادی به سه زیر بخش اصلی شامل پیش‌پردازش کننده، موتور یادگیری و الگوریتم تنظیم‌کننده تقسیم‌شده که در هر زیر بخش روش‌های مختلفی برای بهبود عملکرد آن‎ها پیشنهاد شده است. در بخش اول از بسته تبدیل موجک و الگوریتم انتخاب بهترین داده پیشنهادی برای کاهش نویزهای سیگنال قیمت و بار و حذف داده‌های زائد و در بخش دوم از شبکه بردار پشتیبان غیرخطی پیشنهادی در ساختار چند ورودی چند خروجی برای در نظر گرفتن همبستگی بین دو سیگنال قیمت و بار و نهایتاً در بخش سوم از الگوریتم بهینه‌سازی جهت انتخاب بهترین پارامترهای کنترلی شامل وزن‌ها، بایاس و ضرایب جریمه در شبکه بردار پشتیبان استفاده شده است. همچنین در شبکه هوشمند، مصرف‌کننده می‌تواند با توجه به تغییرات قیمت در ساعات مختلف یک شبانه‌روز نسبت به جابجایی الگوی مصرف خود اقدام نماید. بنابراین در این رساله به مسأله مدیریت سمت تقاضا در شبکه هوشمند و تأثیرپذیری آن بر الگوی مصرفی بار پرداخته‌شده است. مدل‌های مختلف بار مبتنی بر قیمت به‌صورت یک مسأله بهینه‌سازی پیشنهاد شده که در طی فرآیند بهینه‌سازی بهترین رفتار مصرف‌کننده در یک دوره زمانی مشخص استخراج می‎گردد. در آخر، روش پیش‌بینی چند ورودی چند خروجی پیشنهادی و مدل مدیریت سمت تقاضا در بازارهای برق واقعی برای دوره‌های زمانی مختلف بر اساس معیارهای معرفی‌شده موردبحث و بررسی قرارگرفته‌اند. برای مقایسه عملکرد و دقت روش‎های پیش‎بینی، از معیارهای عددی مبتنی بر خطا استفاده شده است. در بخش‌هایی که امکان مقایسه با سایر روش‌های موجود در مقالات وجود داشته است، نتایج نشان از بهتر شدن دقت پیش‌بینی و دست‌یابی به الگویی بهتر و دقیق‌تر سمت تقاضا دارد. همچنین اعمال مدیریت سمت تقاضا منجر به بهبود ضریب بار و دقت پیش‎بینی شده است. كليد واژه¬ها: پیش‌بینی همزمان قیمت و بار، سیستم چند ورودی چند خروجی، مدیریت سمت تقاضا، تبدیل موجک، الگوریتم بهترین داده، بهینه‌سازی، شبکه هوشمند.
Supervisor:
SupervisorE-mail
Shayeghi, HosseinUNSPECIFIED
Advisor:
AdvisorE-mail
Moradzadeh, MohammadUNSPECIFIED
Nooshyar, MahdiUNSPECIFIED
Subjects: Faculty of Engineering > Department of Electrical & Computer Engineering
Divisions > Faculty of Engineering > Department of Electrical & Computer Engineering
Divisions: Subjects > Faculty of Engineering > Department of Electrical & Computer Engineering
Faculty of Engineering > Department of Electrical & Computer Engineering
Date Deposited: 22 Oct 2018 15:13
Last Modified: 22 Oct 2018 15:13
URI: http://repository.uma.ac.ir/id/eprint/1221

Actions (login required)

View Item View Item