利用人工智能技术预测电力需求的比较和北部阿兹拉特发电厂的个案研究(ARIMA)

Tikrit Journal of Administrative and Economic Sciences Pub Date : 2023-03-31 DOI:10.25130/tjaes.19.61.2.12

Salah Kadim Abd-AlHassin, Nagham Yousif Abd-Alreda

{"title":"利用人工智能技术预测电力需求的比较和北部阿兹拉特发电厂的个案研究(ARIMA)","authors":"Salah Kadim Abd-AlHassin, Nagham Yousif Abd-Alreda","doi":"10.25130/tjaes.19.61.2.12","DOIUrl":null,"url":null,"abstract":"يهدف البحث إلى التنبؤ بالطلب على الطاقة الكهربائية من خلال استخدام تقنيات الذكاء الاصطناعي للتنبؤ بالطلب المستقبلي على الطاقة في محطة ديزلات شمال العمارة لتوليد الطاقة الكهربائية والتي تواجه مشكلة عدم التأكد بالطلب على الطاقة المستقبلية، بسبب ضعف في معرفة الاحمال المستقبلية، الذي يؤدي إلى عدم التخطيط الصحيح لجدولة العمليات الإنتاجية وإدارة أعمال الصيانة وبالتالي انخفاض في موثوقية النظام.\n سيما أنها معززة لطاقة الشبكة الوطنية في الأدوار الرئيسية (المستمرة، والذروة، والاحتياطي)، وهذا ما زاد من صعوبة التنبؤ بالطلب على الاحمال المستقبلية بدقة عالية، إذ تم استعمال تقنيات الذكاء الاصطناعي والتقنيات التقليدية في انجاز الدراسة، إذ استخدم الباحث النموذج التقليدي ARIMA في برنامج SPSS ونموذج المجموعة العصبية لمعالجة البيانات (GMDH) من نوع الشبكة العصبية(ANN)، ونموذج الشبكة العصبية من نوع Feed-forward backprop للتنبؤ بالطلب على الطاقة بالاعتماد على البيانات التاريخية للأحمال الكهربائية اليومية للفترة من 1/1/2019 وتنتهي بالفترة 31/12/2021 إذ بلغ حجم البيانات (1096) يومياً.\n توصل البحث إلى مجموعة من النتائج أهمها الحصول على قيم التنبؤ بالطلب المستقبلي للطاقة لمدة شهر يبدأ بالفترة من 1/1/2022 ولغاية 30/1/2022 للمحطة، إذ أعطى نموذج الشبكة العصبية GMDH أقل قيمة لمتوسط الخطأ النسبي المطلق (MAPE) مقداره 0.0567 بينما أعطت طريقة Feed-forward backprop متوسط الخطأ النسبي المطلق (MAPE) مقداره 0.0648، وكما أعطى النموذج التقليدي ARIMA متوسط الخطأ النسبي المطلق (MAPE) مقداره 0.0654 إذ تظهر النتائج التي تم الحصول عليها فعالية نموذج الشبكة العصبية من نوع GMDH في التنبؤ.","PeriodicalId":446085,"journal":{"name":"Tikrit Journal of Administrative and Economic Sciences","volume":"22 1","pages":"0"},"PeriodicalIF":0.0000,"publicationDate":"2023-03-31","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":"1","resultStr":"{\"title\":\"المقارنة بين التنبؤ بالطلب على الطاقة الكهربائية باستخدام تقنيات الذكاء الاصطناعي والطرق التقليدية (ARIMA) دراسة حالة في محطة ديزلات شمال العمارة لتوليد الطاقة الكهربائية\",\"authors\":\"Salah Kadim Abd-AlHassin, Nagham Yousif Abd-Alreda\",\"doi\":\"10.25130/tjaes.19.61.2.12\",\"DOIUrl\":null,\"url\":null,\"abstract\":\"يهدف البحث إلى التنبؤ بالطلب على الطاقة الكهربائية من خلال استخدام تقنيات الذكاء الاصطناعي للتنبؤ بالطلب المستقبلي على الطاقة في محطة ديزلات شمال العمارة لتوليد الطاقة الكهربائية والتي تواجه مشكلة عدم التأكد بالطلب على الطاقة المستقبلية، بسبب ضعف في معرفة الاحمال المستقبلية، الذي يؤدي إلى عدم التخطيط الصحيح لجدولة العمليات الإنتاجية وإدارة أعمال الصيانة وبالتالي انخفاض في موثوقية النظام.\\n سيما أنها معززة لطاقة الشبكة الوطنية في الأدوار الرئيسية (المستمرة، والذروة، والاحتياطي)، وهذا ما زاد من صعوبة التنبؤ بالطلب على الاحمال المستقبلية بدقة عالية، إذ تم استعمال تقنيات الذكاء الاصطناعي والتقنيات التقليدية في انجاز الدراسة، إذ استخدم الباحث النموذج التقليدي ARIMA في برنامج SPSS ونموذج المجموعة العصبية لمعالجة البيانات (GMDH) من نوع الشبكة العصبية(ANN)، ونموذج الشبكة العصبية من نوع Feed-forward backprop للتنبؤ بالطلب على الطاقة بالاعتماد على البيانات التاريخية للأحمال الكهربائية اليومية للفترة من 1/1/2019 وتنتهي بالفترة 31/12/2021 إذ بلغ حجم البيانات (1096) يومياً.\\n توصل البحث إلى مجموعة من النتائج أهمها الحصول على قيم التنبؤ بالطلب المستقبلي للطاقة لمدة شهر يبدأ بالفترة من 1/1/2022 ولغاية 30/1/2022 للمحطة، إذ أعطى نموذج الشبكة العصبية GMDH أقل قيمة لمتوسط الخطأ النسبي المطلق (MAPE) مقداره 0.0567 بينما أعطت طريقة Feed-forward backprop متوسط الخطأ النسبي المطلق (MAPE) مقداره 0.0648، وكما أعطى النموذج التقليدي ARIMA متوسط الخطأ النسبي المطلق (MAPE) مقداره 0.0654 إذ تظهر النتائج التي تم الحصول عليها فعالية نموذج الشبكة العصبية من نوع GMDH في التنبؤ.\",\"PeriodicalId\":446085,\"journal\":{\"name\":\"Tikrit Journal of Administrative and Economic Sciences\",\"volume\":\"22 1\",\"pages\":\"0\"},\"PeriodicalIF\":0.0000,\"publicationDate\":\"2023-03-31\",\"publicationTypes\":\"Journal Article\",\"fieldsOfStudy\":null,\"isOpenAccess\":false,\"openAccessPdf\":\"\",\"citationCount\":\"1\",\"resultStr\":null,\"platform\":\"Semanticscholar\",\"paperid\":null,\"PeriodicalName\":\"Tikrit Journal of Administrative and Economic Sciences\",\"FirstCategoryId\":\"1085\",\"ListUrlMain\":\"https://doi.org/10.25130/tjaes.19.61.2.12\",\"RegionNum\":0,\"RegionCategory\":null,\"ArticlePicture\":[],\"TitleCN\":null,\"AbstractTextCN\":null,\"PMCID\":null,\"EPubDate\":\"\",\"PubModel\":\"\",\"JCR\":\"\",\"JCRName\":\"\",\"Score\":null,\"Total\":0}","platform":"Semanticscholar","paperid":null,"PeriodicalName":"Tikrit Journal of Administrative and Economic Sciences","FirstCategoryId":"1085","ListUrlMain":"https://doi.org/10.25130/tjaes.19.61.2.12","RegionNum":0,"RegionCategory":null,"ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":null,"EPubDate":"","PubModel":"","JCR":"","JCRName":"","Score":null,"Total":0}

引用次数: 1

摘要

这项研究的目的是通过使用人工智能技术预测预测北部阿马拉拉代兹拉特发电厂今后的能源需求，该发电厂面临未来能源需求不确定的问题，原因是对未来负荷的了解不够，导致生产工序和维修管理的规划不当，从而降低了系统的可靠性。特别是，它加强了国家电网在关键作用(持续、峰值和备份)中的能量，这使得更加难以准确预测未来负荷的需求，因为人工智能技术和传统技术被用于完成研究，研究人员在SPSS、GMDH (GMDH)和fedbbprop (fedbbolp)中使用了传统的ARIMA模型，根据历史数据预测能源需求。2019年1月1日至2021年12月31日期间，每日数据量(1096)。研究得出了一系列结果，其中最重要的是获得从2022年1月1日至2022年1月30日期间一个月未来能源需求预测值，GMDH模型将绝对相对误差(MAPE)的最小值定为0.0567，而MAPE (MAPE)的绝对绝对误差平均值为0.0648，而传统的ARIMA (MAPE)的绝对绝对误差平均值为0.0654，结果显示GMDH神经网模型在预测方面的有效性。

本文章由计算机程序翻译，如有差异，请以英文原文为准。

查看原文本刊更多论文

المقارنة بين التنبؤ بالطلب على الطاقة الكهربائية باستخدام تقنيات الذكاء الاصطناعي والطرق التقليدية (ARIMA) دراسة حالة في محطة ديزلات شمال العمارة لتوليد الطاقة الكهربائية

يهدف البحث إلى التنبؤ بالطلب على الطاقة الكهربائية من خلال استخدام تقنيات الذكاء الاصطناعي للتنبؤ بالطلب المستقبلي على الطاقة في محطة ديزلات شمال العمارة لتوليد الطاقة الكهربائية والتي تواجه مشكلة عدم التأكد بالطلب على الطاقة المستقبلية، بسبب ضعف في معرفة الاحمال المستقبلية، الذي يؤدي إلى عدم التخطيط الصحيح لجدولة العمليات الإنتاجية وإدارة أعمال الصيانة وبالتالي انخفاض في موثوقية النظام. سيما أنها معززة لطاقة الشبكة الوطنية في الأدوار الرئيسية (المستمرة، والذروة، والاحتياطي)، وهذا ما زاد من صعوبة التنبؤ بالطلب على الاحمال المستقبلية بدقة عالية، إذ تم استعمال تقنيات الذكاء الاصطناعي والتقنيات التقليدية في انجاز الدراسة، إذ استخدم الباحث النموذج التقليدي ARIMA في برنامج SPSS ونموذج المجموعة العصبية لمعالجة البيانات (GMDH) من نوع الشبكة العصبية(ANN)، ونموذج الشبكة العصبية من نوع Feed-forward backprop للتنبؤ بالطلب على الطاقة بالاعتماد على البيانات التاريخية للأحمال الكهربائية اليومية للفترة من 1/1/2019 وتنتهي بالفترة 31/12/2021 إذ بلغ حجم البيانات (1096) يومياً. توصل البحث إلى مجموعة من النتائج أهمها الحصول على قيم التنبؤ بالطلب المستقبلي للطاقة لمدة شهر يبدأ بالفترة من 1/1/2022 ولغاية 30/1/2022 للمحطة، إذ أعطى نموذج الشبكة العصبية GMDH أقل قيمة لمتوسط الخطأ النسبي المطلق (MAPE) مقداره 0.0567 بينما أعطت طريقة Feed-forward backprop متوسط الخطأ النسبي المطلق (MAPE) مقداره 0.0648، وكما أعطى النموذج التقليدي ARIMA متوسط الخطأ النسبي المطلق (MAPE) مقداره 0.0654 إذ تظهر النتائج التي تم الحصول عليها فعالية نموذج الشبكة العصبية من نوع GMDH في التنبؤ.

求助全文

通过发布文献求助，成功后即可免费获取论文全文。去求助

来源期刊

Tikrit Journal of Administrative and Economic Sciences

自引率

0.00%

发文量