دانلود فایل ورد Word تحلیل و پیش بینی رفتار مصرف برق مشترکین با استفاده از تکنیک های داده کاوی

توضیحات

دانلود فایل ورد Word تحلیل و پیش بینی رفتار مصرف برق مشترکین با استفاده از تکنیک های داده کاوی
تحلیل و پیش بینی رفتار مصرف برق مشترکین با استفاده از تکنیک های داده کاوی (مطالعه موردی: شرکت توزیع نیروی برق آذربایجان غربی)
در عصر حاضر به جرات می­توان گفت بشر برای انجام فعالیت­های روزمره و افزایش رفاه زندگی خود، بیش از هر انرژی دیگر از انرژی الکتریکی بهره می­برد. با توجه به مشکل ذخیره­سازی انرژی الکتریکی، پیش­بینی میزان بار مورد نیاز به منظور داشتن یک شبکه توزیع برق مطمئن و پایدار حیاتی است. مشترکین برق یکی از اصلی­ترین ارکان زنجیره عرضه برق می­باشند. هدف این تحقیق پیش­بینی برق مصرفی مشترکین و تحلیل رفتار مصرفی آن­ها تحت تاثیر عوامل آب­و­هوایی و متغیرهای زمانی می­باشد. در صورت داشتن یک پیش­بینی مناسب و دقیق می­توان از هدررفت منابع مالی ناشی از افزایش هزینه­های عملیاتی جلوگیری نمود. از سوی دیگر، با توجه به حجم انبوه داده­های مصرف مشترکین و عوامل موثر، تنها می­توان با استفاده از ابزارهای نوین فن­آوری اطلاعات همچون داده­کاوی به تجزیه­وتحلیل داده­ها پرداخت. ابزار داده­کاوی به استخراج الگوها و دانش پنهان از داده­ها جهت یک پیش­بینی درست می­پردازد.
در این تحقیق، به بررسی و پیش­بینی میزان مصرف برق مشترکین شرکت توزیع نیروی برق آذربایجان غربی می­پردازیم. برای این منظور و با در اختیار داشتن داده­های مصرفی 5595 مشترک طی 12 دوره دوماهه، الگوریتم­های پیش­بینی کننده همچون CHAID، C&R،Regression ،Neural Networks را بر روی داده­های موجود اجرا نموده و نتایج حاصل از اجرای هر الگوریتم بر اساس معیارهای ارزیابی خطای پیش­بینی مانند میانگین درصد قدرمطلق خطا مورد بررسی و مقایسه قرار گرفت. نیز با خوشه­بندی مشترکین با استفاده از الگوریتم Kohonen به بررسی رفتار مصرفی آن­ها پرداخته شد. در نهایت، به نتیجه­گیری و ارائه ­پیشنهادات پرداختیم.
کلمات کلیدی: پیش­بینی، مصرف برق، مشترک، داده‌کاوی، دسته­ بندی، رگرسیون، خوشه ­بندی
عنوان صفحه
فصل اول: مقدمه و طرح مسئله
1-1- مقدمه 1
1-2- بیان مسئله تحقیق 2
1-3- ضرورت و اهداف تحقیق 3
1-4- جنبه جدید بودن و نوآوری تحقیق 6
1-5- ساختار پایان­نامه 7
فصل دوم: مبانی نظری تحقیق
2-1- مقدمه 9
2-2- انرژی الکتریکی و اهمیت آن 9
2-3- ویژگی­های انرژی الکتریکی 11
2-4- تاریخچه صنعت برق در جهان و ایران 14
2-5- زنجیره­ی عرضه­ی برق 15
2-5-1 تولید 16
عنوان صفحه
2-5-2- انتقال 16
2-5-3- توزیع 16
2-5-3-1- مصرف برق در ایران و جهان 17
2-5-3-2- مشترک 18
2-5-3-2-1- مشترکین بخش خانگی 18
2-5-3-2-2- مشترکین بخش تجاری 19
2-5-3-2-3- مشترکین بخش صنعت 19
2-5-3-2-4- مشترکین بخش عمومی 19
2-5-3-2-5- مشترکین بخش حمل­و­نقل 20
2-5-3-2-6- مشترکین بخش کشاورزی 20
2-6 مطالعه و پیش­بینی بار 22
2-6-1- الگوی مصرف 23
2-6-2- پیش­بینی مصرف 23
2-6-3- عوامل موثر بر مصرف برق 24
2-6-3-1- شرایط آب­و­هوایی 25
2-6-3-2- متغیرهای زمانی 26
2-6-3-3- ویژگی­های محل اقامت مشترک 27
2-7- داده­کاوی 27
2-7-1- اهداف داده ­کاوی 29
2-7-2- روش­های داده ­کاوی 30
2-7-2-1- دسته­بندی 30
عنوان صفحه
2-7-2-2- خوشه­بندی 31
2-7-2-3- تحلیل وابستگی 31
2-7-3- فرآیند داده­کاوی ( مدل CRISP-DM ) 32
2-8- چکیده فصل 34
فصل سوم: مروری بر ادبیات تحقیق
3-1- پیشینه تحقیق 36
3-2- چکیده فصل 41
فصل چهارم: روش تحقیق
4-1- مقدمه 43
4-2- فرآیند داده­کاوی 44
4-3- استاندارد CRISP-DM 44
4-3-1- مرحله درک تجاری 45
4-3-2- مرحله درک داده­ها 46
4-3-3- مرحله پیش­پردازش داده­ها 50
4-3-4- مرحله ساختن مدل 53
4-3-4-1- الگوریتم C&R 53
4-3-4-2- الگوریتم CHAID 55
4-3-4-3- الگوریتم رگرسیون خطی 56
4-3-4-4- الگوریتم شبکه عصبی 57
4-3-4-5- الگوریتم کوهونن 58
عنوان صفحه
4-3-5- مرحله ارزیابی مدل 59
4-3-6- بکارگیری مدل 61
4-4- چکیده فصل 62
فصل پنجم: نتایج و ارزیابی
5-1- مقدمه 63
5-2- نتایج 64
5-2-1- نتایج حاصل از پیش­بینی مصرف برق مشترکین با در نظر گرفتن "تعطیلات" به عنوان عامل موثر 64
5-2-2- نتایج حاصل از پیش­بینی مصرف برق مشترکین با در نظر گرفتن "میانگین ارتفاع سقف ابر" به عنوان عامل موثر 66
5-2-3- نتایج حاصل از پیش­بینی مصرف برق مشترکین با در نظر گرفتن "کمینه دما و بیشینه دمای موثر" به عنوان عوامل موثر 67
5-2-4- نتایج حاصل از پیش­بینی مصرف برق مشترکین با در نظر گرفتن "تعطیلات، میانگین ارتفاع سقف ابر، کمینه دما و بیشینه دمای موثر" به عنوان عوامل موثر 68
5-2-5- مقایسه عملکرد حالت­های مختلف بر اساس معیار ارزیابی میانگین درصد قدرمطلق خطا 71
5-2-6- خوشه­بندی رفتار مصرفی مشترکین برق با در نظر گرفتن عوامل موثر 72
5-3- چکیده فصل 76
فصل ششم: نتیجه­گیری و پیشنهادات
6-1- مقدمه 77
6-2- یافته­های تحقیق 78
6-3- پیشنهاد برای تحقیقات آتی 81
منابع 82
فهرست جدول­ها
عنوان و شماره صفحه
جدول 4-1- اطلاعات کارکرد مشترکین 46
جدول 4-2- اطلاعات هواشناسی 48
جدول 5-1- پیش­بینی مصرف برق مشترکین با عامل "تعطیلات" 65
جدول 5-2- پیش­بینی مصرف برق مشترکین با عامل "میانگین ارتفاع سقف ابر" 66
جدول 5-3- پیش­بینی مصرف برق مشترکین با عوامل "کمینه دما و بیشینه دمای موثر" 67
جدول 5-4- پیش­بینی مصرف برق مشترکین با عوامل "تعطیلات، میانگین ارتفاع سقف ابر، کمینه دما و بیشینه دمای موثر " 69
جدول 5-5- خوشه­های رفتاری مشترکین برق 73
فهرست شکل­ها
عنوان صفحه
شکل 2-1- نمودار مصرف برق در جهان در طی سال­های 2000-20009 17
شکل 2-2- نمودار مصرف برق در ایران در طی سال­های 1383-1389 18
شکل 2-3- درصد انرژی برق مصرفی کشور به تفکیک بخش­های مختلف در سال 1389 21
شکل 2-4- درصد مشترکین بخش­های مختلف در سال 1389 21
شکل 2-5- درصد انرژی مصرفی استان آذربایجان غربی به تفکیک بخش­های مختلف در سال 1389 21
شکل 2-6- درصد مشترکین بخش­های مختلف استان آذربایجان غربی در سال 1389 21
شکل 2-7- داده­کاوی به عنوان یک مرحله از فرآیند کشف دانش 29
شکل 2-8- مراحل مدل مرجع فرآیند داده­کاوی 33
شکل 4-1- ساختار شبکه کوهونن 58
شکل 5-1- مقایسه الگوریتم­ها در پیش­بینی مصرف برق مشترکین با عامل "تعطیلات" 65
شکل 5-2- مقایسه الگوریتم­ها در پیش­بینی مصرف برق مشترکین با عامل "میانگین ارتفاع سقف ابر" 67
شکل 5-3- مقایسه الگوریتم­ها در پیش­بینی مصرف برق مشترکین با عوامل "کمینه دما و بیشینه دمای موثر" 68
شکل 5-4- مقایسه الگوریتم­ها در پیش­بینی مصرف برق مشترکین با عوامل "تعطیلات، میانگین ارتفاع سقف ابر، کمینه دما و بیشینه دمای موثر " 69
شکل 5-5- قسمتی از درخت تصمیم ایجاد شده توسط مدل Kohonen-CHAID 70
شکل 5-6- مقادیر میانگین مصرف واقعی و پیش­بینی شده توسط مدل Kohonen-CHAID 71
شکل 5-7- عملکرد حالت­های مختلف بر اساس معیار ارزیابی میانگین درصد قدرمطلق خطا 72
کلمات اختصاری
Co2 Carbon dioxide
GDP Gross Domestic Product
NI National Income
IEA International Energy Agency
LTF Long-Term Load Forecasting
MTLF Medium-Term Load Forecasting
STLF Short-Term Load Forecasting
CRISP-DM Cross Industry Standard Process for Data Mining
CI Computational Intelligence
C&R Classification & Regression
CHAID Chi-squared Automatic Interaction Detection
SOM Self-Organizing Map
MSE Mean-Square Error
RMSE Root-Mean-Square Error
MAE Mean Absolute Error
MAPE Mean Absolute Percentage Error