Short-Term Load Forecasting Using Grey Models by Considering Demand Response

JavanAjdadi, Kian and SeyedShenava, SeyedJalal and Dejamkhooy, AbdolMajid (2017) Short-Term Load Forecasting Using Grey Models by Considering Demand Response. Masters thesis, University of Mohaghegh Ardabili.

[img] Text (پیش¬بینی کوتاه مدت بار با استفاده از مدل های خاکستری با در نظرگرفتن واکنش سمت تقاضا)
Kian JavanAjdadi.pdf

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

Abstract

Recently, demand side management become strategic concept in smart grids. Most probably, demand response programs will fail in the absence of accurate load prediction. Hence in this thesis, short term load forecasting using proposed grey models has been studied. So far numerous methods with different accuracy have been proposed to model and forecast electric load in short-term. Most of them utilize large amounts of data and other parameters of the predictor variable such as temperature. This is one of the biggest disadvantages of this methods, because the information is not always available, or these methods require an explicit mathematical model to determine the relationship between load and several input. In this thesis, grey model and rolling grey model that can use low data and high accuracy to modelling and predicting time series, is improved using a method based on iterative. To increase the accuracy of proposed grey model, fourier residual correction grey model is employed. Four different scenarios for demand side management programs is considered. Then, the performance of the proposed models before and after the demand response have been compared with artificial neural network and neuro-fuzzy based methods by applying them on Iran and NewEngland networks in MATLAB software environment. Also, the sensitivity of the proposed models to the number of required data and prediction step size has been investigated. Simulation results show high performance and accuracy of the proposed methods in the modeling and load forecasting with using low number of data. Among these models, the error of fourier grey model is 0.8141% that showed highest accuracy, and error of rolling grey model toward grey model is greater. It was observed with increasing number of data and prediction step size error of models increases.

Item Type: Thesis (Masters)
Persian Title: پیش¬بینی کوتاه مدت بار با استفاده از مدل های خاکستری با در نظرگرفتن واکنش سمت تقاضا
Persian Abstract: : اخیرا مدیریت سمت تقاضا تبدیل¬ به مفهوم استراتژیک در شبکه¬های هوشمند شده است. به احتمال زیاد اجرای برنامه¬های پاسخ به تقاضا در صورت عدم وجود پیش¬بینی دقیق بار با شکست مواجه خواهد شد. از همین رو در این پایان¬نامه پیش¬بینی کوتاه¬مدت بار با استفاده از مدل¬های خاکستری پیشنهادی مورد مطالعه قرار گرفته است. تاکنون روش¬های متعددی با دقت¬های متفاوت به منظور مدل¬سازی و پیش¬بینی بار در کوتاه¬مدت ارائه شده است. اکثر این روش¬ها از تعداد داده¬های زیاد و پارامترهایی غیر از متغییر پیش¬بینی مانند درجه حرارت استفاده می¬کنند، که این یکی از بزرگترین معایب این روش¬هاست، چرا که اطلاعات همیشه موجود و در دسترس نمی¬باشد، و یا این روش¬ها نیاز به یک مدل ریاضی صریح برای تعیین رابطه بین بار و چند عامل ورودی دارند. در این پایان¬نامه، مدل خاکستری و مدل خاکستری غلتان که می¬تواند با استفاده از تعداد داده¬های کم و با دقت بالا برای مدل¬سازی و پیش¬بینی سری¬زمانی استفاده شود، با استفاده از یک روش مبتنی بر تکرار بهبود داده شده است. برای افزایش دقت مدل¬ خاکستری پیشنهادی، مدل خاکستری اصلاح باقی¬مانده به¬روش فوریه به¬کار گرفته شده است. چهار سناریو متفاوت برای اجرای برنامه¬های مدیریت سمت تقاضا در نظر گرفته شده است. سپس، عملکرد مدل¬های پیشنهادی قبل و بعد از واکنش سمت تقاضا با روش شبکه عصبی مصنوعی و یک شبکه عصبی ـ فازی با اعمال آن¬ها به شبکه¬ ایران و نیواینگلند در محیط نرم¬افزار متلب مقایسه شده است. همچنین حساسیت مدل¬های پیشنهادی به تعداد داده¬های مورد نیاز و اندازه گام پیش¬بینی بررسی شده است. نتایج شبیه¬سازی عمل¬کرد و دقت بالای مدل¬های پیشنهادی در مدل¬سازی و پیش¬بینی بار را با استفاده از تعداد داده¬های کم نشان داد. در بین این مدل¬ها، خطای مدل خاکستری فوریه 8141/0% است که بالاترین دقت را نشان داد و خطای مدل خاکستری غلتان نسبت به مدل خاکستری بیش¬تر می¬باشد. مشاهده شد با افزایش تعداد داده¬ها و اندازه گام پیش¬بینی خطای مدل¬ها افزایش می¬یابد.
Supervisor:
SupervisorE-mail
SeyedShenava, SeyedJalalUNSPECIFIED
Dejamkhooy, AbdolMajidUNSPECIFIED
Advisor:
AdvisorE-mail
-, -UNSPECIFIED
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: 23 Oct 2018 11:30
Last Modified: 23 Oct 2018 11:30
URI: http://repository.uma.ac.ir/id/eprint/1254

Actions (login required)

View Item View Item