التنبؤ بالأحمال للمحولات في أعمال التدفئة الكهربائية

أهمية التنبؤ بالأحمال للمحولات في أعمال التدفئة الكهربائية

يعد التنبؤ بالحمل الكهربائي على المدى القصير (STLF) ضرورياً للحفاظ على التوازن بين العرض والطلب في نظام الطاقة، حيث أدى التطور السريع للشبكة الذكية بالإضافة إلى تحرير أسواق الكهرباء إلى أن العديد من تطبيقات الشبكة الذكية أصبحت موجهة بشكل متزايد نحو العملاء، حيث يعد التنبؤ بالحمل على مستوى محول المستخدم النهائي (EUTL) مجالاً بحثياً مهماً.

لذلك؛ فإنه يدعم العديد من التطبيقات الذكية وهو ضروري لمقدمي الخدمات الذين يديرون الأحمال والموارد المتجددة، ومع ذلك ونظراً لحالات عدم اليقين المرتبطة بالتوليد المتجدد والأحمال الكهربائية الجديدة (على سبيل المثال، تكييف الهواء وحمل التدفئة الكهربائية (EHL) ومحطات شحن السيارات الكهربائية؛ فإن ملف تعريف الحمولة أصبح الآن غير ثابت بشكل متزايد، مما يجعل (STLF) في (EUTL) صعبة.

في العقود الأخيرة، قام عدد من الباحثين بالتحقيق في (STLF)، كما تم تقديم طريقة (STLF) الموزعة لنظام الطاقة السائبة التي تغطي مناطق جغرافية واسعة، وذلك من أجل تحسين دقة (STLF)، كما تم تقسيم نظام الطاقة السائبة إلى عدة شبكات فرعية وتم التنبؤ بأحمالها باستخدام معلومات الطقس، تم تنفيذ نموذج (STLF).

وعلى أساس انحدار ناقل الدعم وتحسين المعلمات الهجينة المكون من خطوتين للتنبؤ بحمل نظام التوزيع؛ فقد تم تقديم نموذج (STLF) يأخذ في الاعتبار الهيكل الهرمي لنظام التوزيع من حيث ميزات الحمل ومن أجل تحسين دقة التنبؤ، تم اقتراح نموذج (STLF) مختلط لنظام الطاقة السائبة وتم اقتراح طريقة (STLF) هجينة ذات مرحلتين.

حيث استخدمت المرحلة الأولى نموذج التنبؤ بالحمل المتسلسل الزمني، كما تم تصحيح الخطأ المتوقع للمرحلة الأولى في المرحلة الثانية عن طريق إجراء تحليل عميق لتأثير العوامل النسبية على خطأ النموذج، وعلى الرغم من أن طرق (STLF) المذكورة أعلاه؛ فإنه قد يكون لها أداء (STLF) جيد على مستوى النظام، إلا أنه لا يمكن تطبيقها على التنبؤ بأحمال (EUTL) مباشرة.

وفي حين أن سعة التحميل في (EUTL) أصغر بكثير؛ فإن تباين الحمل أكبر بكثير مقارنة بسعة التحميل على مستوى النظام، علاوة على ذلك، لا تتوفر معلومات إضافية عن الطقس في (EUTL) بسبب تكلفة النشر الباهظة والمتطلبات التكنولوجية المتقدمة.

لذلك، تعتمد دقة نموذج (STLF) في (EUTL) بشكل أساسي على كيفية معالجة بيانات الحمل التاريخية، بحيث تظهر دائماً بيانات الحمل الخام في (EUTL) مخالفات كبيرة مثل عدم اليقين وعدم الخطية والتقلبات الكبيرة، كما تعد طريقة استخراج الميزات العميقة الفعالة أمراً بالغ الأهمية لتشكيل بنية تمثيل المعرفة للاستفادة الكاملة من المعلومات المخفية العميقة من البيانات التاريخية.