[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
بخش‌های اصلی
صفحه اصلی::
اطلاعات نشریه::
آرشیو مجله و مقالات::
برای نویسندگان::
برای داوران::
ثبت نام و اشتراک::
صاحب امتیاز::
درباره انجمن::
تماس با ما::
تسهیلات پایگاه::
cope::
metrics::
تعارض منافع::
::
پایگاه های نمایه کننده
..
DOI
کلیک کنید
..
DOR

..
جستجو در پایگاه

جستجوی پیشرفته
..
دریافت اطلاعات پایگاه
نشانی پست الکترونیک خود را برای دریافت اطلاعات و اخبار پایگاه، در کادر زیر وارد کنید.
..
:: دوره 11، شماره 4 - ( 8-1401 ) ::
جلد 11 شماره 4 صفحات 47-39 برگشت به فهرست نسخه ها
بهبود دقت پیش‌بینی زمان‌ خاموشی برنامه‌ریزی نشده شبکه‌ی توزیع برق با استفاده از مدل سری زمانی‌ ARIMAX (مطالعه موردی شبکه توزیع برق استان یزد)
الهام فلاح باغمورتینی1 ، مطهره کرمی1 ، داود شیشه بری* 1
1- گروه مهندسی صنایع دانشگاه یزد - یزد- ایران
چکیده:   (1094 مشاهده)
شبکه توزیع برق یک زنجیره تامین پر اهمیت است که ترکیبی از فرآیندهای گوناگون می‌باشد. از آنجا که، برق کالایی به شدت فناپذیر است، بنابراین رویکردی جامع نسبت به زمان خاموشی‌های برنامه‌ریزی نشده، به منظور جلوگیری از هرگونه تلفات برق بسیار ارزشمند است. حوادث گوناگونی در شبکه‌های توزیع برق ایجاد اختلال می‌کنند که شبکه، بدون خط گرم قابل تعمیر و بازگشت به حالت اولیه می‌باشد. پیش‌بینی این حوادث و مدیریت آن‌ها در کاهش زمان‌های خاموشی برنامه‌ریزی نشده می‌تواند موثر باشد. هدف این مقاله، ارائه مدل پیش‌بینی  مدت زمان خاموشی‌های برنامه‌ریزی نشده و انرژی به فروش نرفته بر اساس داده‌های ثبت شده در سامانه 121، شبکه‌ی شهری امور سه شرکت توزیع برق استان یزد است. نتیجه نهایی این تحقیق نشان‌ می‌دهد که مدل‌(های) ARIMAX  نسبت به مدل(‌های) ARIMA  خطای کمتری را نشان داده و پیش‌بینی بهتری را ارائه می‌دهند. لذا استفاده متغیرهای برون‌زا در پیش‌بینی‌ها و عدم اکتفا به نوسانات یک متغیر می‌تواند نتایج بهتری در پیش‌بینی‌ها ارائه دهد. همچنین مدل به دست آمده نشان‌می‌دهد در تیرماه سال 1401 مدت زمان خاموشی بی‌برنامه‌ قریب به ده ساعت در این شبکه و همچنین توان به فروش نرفته تقریبا 6 مگاوات ساعت خواهد بود.

 
واژه‌های کلیدی: شبکه توزیع برق، پیش‌بینی، خاموشی برنامه‌ریزی نشده، سری زمانی، انرژی
متن کامل [PDF 909 kb]   (137 دریافت)    
نوع مطالعه: پژوهشي | موضوع مقاله: صنایع و مدیریت
دریافت: 1401/1/17 | پذیرش: 1401/7/18 | انتشار: 1401/8/10
فهرست منابع
1. Ahmed, A. I., McLeod, R. S., & Gustin, M. (2021). Forecasting underheating in dwellings to detect excess winter mortality risks using time series models. Applied Energy, 286, 116517. [DOI:10.1016/j.apenergy.2021.116517]
2. Arjmand, A., Samizadeh, R., & Saryazdi, M. D. (2019). Improved Forecasting of Short Term Electricity Demand by using of Integrated Data Preparation and Input Selection Methods. Journal of Energy Management and Technology, 3(1), 48-57. [DOI:10.22109/JEMT.2018.126045.1077]
3. Armano, G., & Pegoraro, P. A. (2022). Assessing Feature Importance for Short-Term Prediction of Electricity Demand in Medium-Voltage Loads. Energies, 15(2), 549. [DOI:10.3390/en15020549]
4. Collino, E., & Ronzio, D. (2021). Exploitation of a New Short-Term Multimodel Photovoltaic Power Forecasting Method in the Very Short-Term Horizon to Derive a Multi-Time Scale Forecasting System. Energies, 14(3), 789. [DOI:10.3390/en14030789]
5. Ding, S., Hipel, K. W., & Dang, Y. G. (2018). Forecasting China's electricity consumption using a new grey prediction model. Energy, 149. [DOI:10.1016/j.energy.2018.01.169]
6. Elamin, N., & Fukushige, M. (2018). Modeling and forecasting hourly electricity demand by SARIMAX with interactions. Energy, 165, 257-268. [DOI:10.1016/j.energy.2018.09.157]
7. G, S. G. N., & Sheshadri, G. S. (2019). ARIMAX Model for Short-Term Electrical Load Forecasting. International Journal of Recent Technology and Engineering, 8(4), 2786-2790. [DOI:10.35940/ijrte.D7950.118419]
8. Gupta, A., Chawla, M., & Tiwari, N. (2022). Electricity Power Consumption Forecasting Techniques: A survey. SSRN Electronic Journal. [DOI:10.2139/ssrn.4019431]
9. Kutyłowska, M. (2015). Neural network approach for failure rate prediction. Engineering Failure Analysis, 47, 41-48. [DOI:10.1016/j.engfailanal.2014.10.007]
10. Liu, H., & Shi, J. (2013). Applying ARMA-GARCH approaches to forecasting short-term electricity prices. Energy Economics, 37. [DOI:10.1016/j.eneco.2013.02.006]
11. Quiroga, O. A., Meléndez, J., & Herraiz, S. (2011). Fault causes analysis in feeders of power distribution networks. Renewable Energy and Power Quality Journal, 1269-1272. [DOI:10.24084/repqj09.619]
12. Rabbi, F., Tareq, S. U., Islam, M. M., Chowdhury, M. A., & Abul Kashem, M. (2020). A Multivariate Time Series Approach for Forecasting of Electricity Demand in Bangladesh Using ARIMAX Model. 2020 2nd International Conference on Sustainable Technologies for Industry 4.0 (STI), 1-5. [DOI:10.1109/STI50764.2020.9350326]
13. Souto, L., Meléndez, J., & Herraiz, S. (2021). Monitoring of low voltage grids with multilayer principal component analysis. International Journal of Electrical Power & Energy Systems, 125, 106471. https://doi.org/10.1016/j.ijepes.2020.106471 [DOI:https://doi.org/10.1016/j.ijepes.2020.106]
14. Xie, K., Zhang, H., & Singh, C. (2016). Reliability forecasting models for electrical distribution systems considering component failures and planned outages. International Journal of Electrical Power & Energy Systems, 79, 228-234. [DOI:10.1016/j.ijepes.2016.01.020]
15. Zolfaghari, M., Sahabi, B., & Faghihian, F. (2022). The Electricity Consumption Forecast: Adopting a Hybrid Approach by Deep Learning and Arimax-Garch Models. SSRN Electronic Journal. [DOI:10.2139/ssrn.4031543]
16. اسدزاده، ش، (1398). مدلسازی و پیش‌بینی بهینه نرخ خرابی تجهیزات شبکه توزیع برق . نشریه کیفیت و بهره وری صنعت برق ایران. ۸ (۱) :۶۱-53
17. اکبری، ا، (1399). بازآرایی بهینه شبکه های توزیع با هدف کاهش تلفات، افزایش قابلیت اطمینان و بهبود پروفیل ولتاژ با استفاده از الگوریتم کلونی موشهای وحشی. نشریه علمی-تخصصی تحقیقات نوین در برق. ۹ (۱) :۴۵-۳۵
18. پروین نیا، ا؛ فرداد، خ، (1397). ارائه یک سیستم تصمیم یار جهت پیش بینی خاموشی اضطراری نیروگاه های برق آبی با استفاده از استخراج قوانین انجمنی مطالعه موردی: نیروگاه برق آبی مارون بهبهان. نشریه کیفیت و بهره وری صنعت برق ایران. ۷ (۱) :۲۷-۱۵
19. سرورطاهرآبادی، م؛ قره پتیان، گ؛ فریدونیان، ع،(1394). دسته بندی و تحلیل عوامل خطا بر اساس تکنیک خوشه بندی در شبکه توزیع برق، بیستمین کنفرانس توزیع برق،زاهدان.
20. کرم سلطانی، م؛ مصطفایی، ا؛ یارمحمدی، مسعود، (1391). بررسی تأثیر نوسانات قیمت طلا روی نوسانات قیمت نفت با استفاده از مدل ARIMAX، اولین همایش بین المللی اقتصاد سنجی، روشها و کاربردها، سنندج
21. کریم آبادی، ع؛ حاجی آبادی، م؛ کامیاب، ع، (1395). مروری بر تعمیرات و خرابی‌های تجهیزات پست‌های انتقال و فوق توزیع. نشریه علمی-تخصصی تحقیقات نوین در برق. ۵ (۲) :۳۱20-
22. هنرمند، م؛ حقی فام، م؛ قاضی زاده، م، (1394). تاثیر فرآیندهای ورود تجهیز در قابلیت اطمینان شبکه‌های توزیع برق. نشریه کیفیت و بهره وری صنعت برق ایران. ۴ (۱) :۲۳-۱۴


XML   English Abstract   Print


Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:

Fallah Baghmortini E, Karami M, Shishebori D. Improving the accuracy of forecasting unplanned power extinction (outage) time of power distribution network using ARIMAX time series model (Case study: Yazd power distribution network). ieijqp 2022; 11 (4) :39-47
URL: http://ieijqp.ir/article-1-893-fa.html

فلاح باغمورتینی الهام، کرمی مطهره، شیشه بری داود. بهبود دقت پیش‌بینی زمان‌ خاموشی برنامه‌ریزی نشده شبکه‌ی توزیع برق با استفاده از مدل سری زمانی‌ ARIMAX (مطالعه موردی شبکه توزیع برق استان یزد). نشریه کیفیت و بهره وری صنعت برق ایران. 1401; 11 (4) :39-47

URL: http://ieijqp.ir/article-1-893-fa.html



بازنشر اطلاعات
Creative Commons License این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است.
دوره 11، شماره 4 - ( 8-1401 ) برگشت به فهرست نسخه ها
نشریه علمی- پژوهشی کیفیت و بهره وری صنعت برق ایران Iranian Electric Industry Journal of Quality and Productivity
Persian site map - English site map - Created in 0.06 seconds with 39 queries by YEKTAWEB 4645