ارسل ملاحظاتك

ارسل ملاحظاتك لنا







الرئيسية > المقارنة بين التنبؤ بالطلب على...>الوصف

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

العنوان بلغة أخرى: Comparison between Prediction of Demand for Electric Power Using Artificial Intelligence Techniques and Traditional Methods "ARIMA": A Case Study in the Diesel Station North of Al-Amarah to Generate Electric Power
المصدر: مجلة تكريت للعلوم الإدارية والاقتصادية
الناشر: جامعة تكريت - كلية الإدارة والاقتصاد
المؤلف الرئيسي: عبدالحسن، صلاح كاظم (مؤلف)
المؤلف الرئيسي (الإنجليزية): Abd-AlHassin, Salah Kadim
مؤلفين آخرين: عبدالرضا، نغم يوسف (م. مشارك)
المجلد/العدد: مج19, ع61
محكمة: نعم
الدولة: العراق
التاريخ الميلادي: 2023
الشهر: آذار
الصفحات: 200 - 219
ISSN: 1813-1719
رقم MD: 1377902
نوع المحتوى: بحوث ومقالات
اللغة: العربية
قواعد المعلومات: EcoLink
مواضيع:
الذكاء الاصطناعي | التنبؤ بالطلب | الطاقة الكهربائية | محطات توليد الكهرباء | العراق
كلمات المؤلف المفتاحية:
التنبؤ | تقنيات الذكاء الاصطناعي | محطة ديزلات شمال العمارة لإنتاج الطاقة الكهربائية | Forecasting | Artificial Intelligence Techniques | North Amara Diesel Power Plant
رابط المحتوى:

الناشر لهذه المادة لم يسمح بإتاحتها.
صورة الغلاف QR قانون
حفظ في:
المستخلص: 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 الأحمال 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 الأحمال المستقبلية بدقة عالية، إذ تم استعمال تقنيات الذكاء الاصطناعي والتقنيات التقليدية في إنجاز 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) يوميا. 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.

The research aims to predict the demand for electric energy through the use of artificial intelligence techniques to predict the future demand for energy in the diesel station north of Al-Amarah to generate electric power. Which suffers from the problem of uncertainty in the demand for future energy, due to weakness in knowing future loads, which leads to lack of planning Correct scheduling of productive operations and management of maintenance work, and thus a decrease in the reliability of the system. Especially since it is boosting the capacity of the national network in the main roles (continuous, peak, and reserve), and this made it more difficult to predict the demand for future loads with high accuracy. As artificial intelligence techniques and traditional techniques were used in the completion of the study. As the researcher used the traditional model ARIMA in the program SPSS and the neural group data processing model (GMDH) of the type of neural network (ANN), and the neural network model of the feed-forward backprop type to predict energy. Demand based on historical data of daily electrical loads for the period from 1/1/2019 to 31/12/ 2021, as the data volume reached (1096) per day. The research reached a set of results, the most important of which is obtaining prediction values for the future demand for energy for a month starting from 1/1/2022 to 31/1/2022 for the station, as the neural network model GMDH gave the lowest value of the mean absolute relative error (MAPE) of 0.0567. While the feed-forward backprop method gave a mean absolute relative error (MAPE) of 0.0648, and the traditional ARIMA model gave a mean absolute relative error (MAPE) of 0.0654, as the obtained results show the effectiveness of the GMDH-type neural network model in prediction.
ISSN: 1813-1719

عناصر مشابهة


© 2024 المنظومة. جميع الحقوق محفوظة.