Abstrak Makalah ini berkaitan dengan jangka pendek memuat peramalan (STLF) dalam operasi sistem tenaga listrik.

Itu memberikan prediksi beban untuk penjadwalan generasi dan Unit komitmen keputusan, dan beban karena itu tepat peramalan memegang peranan penting dalam mengurangi generasi biaya dan kapasitas cadangan berputar /. [1] Peramalan merupakan unsur yang signifikan dalam ekonomi sistem kinerja dan dampaknya terhadap daya jaringan mengontrol. Memuat peramalan dengan menggunakan fuzzy pelaksanaan lebih cepat dan lebih akurat dibandingkan konvensional peramalan metode beban yang berhubungan dengan sejumlah besar data dan lama dibutuhkan untuk menjadi diproses / [1]. Akurasi dari sistem pengiriman, yang berasal dari akurasi dari algoritma peramalan digunakan, akan menentukan keekonomian pengoperasian sistem kekuasaan. Ketidaktepatan atau kesalahan besar dalam perkiraan hanya berarti bahwa pencocokan beban tidak dioptimalkan dan akibatnya generasi dan sistem transmisi yang tidak dioperasikan dalam efisien. Dalam penelitian ini, diusulkan sebuah metodologi telah diperkenalkan untuk mengurangi diperkirakan kesalahan dan waktu pemrosesan dengan menggunakan Fuzzy logika kontroler pada basis per jam. Yang diusulkan Fuzzy berbasis STLF metode diterapkan pada kasus nyata studi, dan hasilnya menunjukkan bahwa STLF dari implementasi Fuzzy memiliki akurasi yang lebih dan lebih baik hasil. Kata kunci-fuzzy logika; peramalan jangka pendek beban

listrik energi memiliki karakteristik tertentu, yaitu, tidak tersedianya penyimpanan yang luas. Efisiensi investasi dalam energi listrik sangat memakan waktu (Terutama indeveloping negara yang menyediakan sebagian besar mereka diperlukan peralatan dari negara maju). Di jangka pendek beban peramalan (STLF), beban jaringan diperkirakan dengan ekstrapolasi hubungan antara beban dan variabel yang sangat terikat pada beban, seperti suhu, waktu, dan lainlain. Menentukan hubungan ini adalah proses dua-tahap yang memerlukan: a) mengidentifikasi hubungan antara beban dan variabel terkait, dan b) mengukur hubungan melalui penggunaan yang cocok teknik estimasi parameter / [2]. Persyaratan untuk meningkatkan dan mengembangkan ketepatan model peramalan beban dalam penetrasi dengan hubungan antara beban dan yang jumlah yang terkait. Dengan demikian, model ini harus disajikan sehingga persyaratan terpenuhi. Jelas STLF memainkan peran penting di non-kompetitif untuk sistem energi terbarukan. Berkuasa sistem restrukturisasi, Genco (Generasi Perusahaan) harus memprediksi kebutuhan sistem, dan harga yang sesuai harus diprediksi dalam memesan untuk membuat keputusan yang tepat di pasar. Berbagai model telah digunakan untuk meningkatkan keakuratan prediksi dalam sistem tenaga listrik. Regresi, Model ruang statistik dan negara adalah di antara model. Selain itu, algoritma cerdas berdasarkan sistem pakar, evolutionaryprogramming, fuzzy sistem, jaringan syaraf tiruan dan kombinasi mereka telah disajikan. Jangka pendek adalah peramalan ditujukan untuk jangka waktu yang singkat, dalam hal ini, horison prediksi mungkin per jam, harian, mingguan atau bulanan.

1. Pengenalan Di antara semua jenis energi di dunia,

Jangka pendek peramalan beban menjadi peran penting dalam operasi sistem tenaga. Secara umum, peramalan dianggap dalam dua aspek utama: 1) membayangi peramalan perencanaan jangka panjang di generasi dan transmisi, dan 2) peramalan akan menghasilkan desain yang optimal dalam jaringan distribusi. Desain yang optimal dari jaringan distribusi diperoleh melalui mempertimbangkan baik teknis dan ekonomis isu, perencana simultaneously. System harus menentukan pola generasi sehingga kapasitas cadangan berputar dan konstan dipasok serta beban dikonsumsi. Oleh karena itu beban peramalan kesalahan dan efek keluar mungkin dari satu atau unit generator lebih dikompensasi. Dalam hal beban diperkirakan berada di bawah nilai aktual dan kapasitas cadangan yang diperlukan tidak tersedia, secara keseluruhan biaya akan meningkat. Peramalan merupakan elemen penting sistem kinerja dan dampaknya terhadap mengontrol. Tujuan dari peramalan beban di waktu adalah prediksi beban sistem, t memuat semua pelanggan sekaligus. Untuk jumlah yang sebenarnya, menyebabkan insufficien cadangan kapasitas yang merupakan ancaman bagi netwok security. Di sisi lain, peramalan atas menyebabkan whic kapasitas excess reserve mengakibatkan biaya penyediaan yang lebih tinggi. Iklim, waktu, data masa lalu, dan rand faktor memperjelas hubungan diantara Konsumsi variasi. Sifat thes diketahui. Logika fuzzy adalah suatu generalizat logika untuk berpikir dalam kasus nonlinier hal. Oleh karena itu adalah sangat suitab menjelaskan pengetahuan manusia, which konsep dan melibatkan banyak data. dengan penggunaan implementatio kabur lebih akurat daripada lo konvensional metode yang menangani data sulit sebuah diperlukan untuk diproses.

Analisis regresi adalah salah satu umum metode digunakan untuk memperkirakan permintaan beban. Methode tersebut berbasis pada hubungan antara beban harian dan suhu. Saat ini, statistik saya teknik matematika, yang banyak peramalan. Metode ini batas perubahan iklim atau perubahan mendadak Perusahaan distribusi listrik perlu ac proses peramalan beban. Namun menggunakan jarak antara nilai-nilai, untuk mantan rendah suhu ". Masalah ini menyebabkan kita bukan metode statistik. Berikut inferensi fuzzy digunakan untuk STLF menjelaskan metodologi proposal, Sanajaj jaringan di Kurdistan Iran adalah kontra studi. 2. Studi Kasus: Sanandaj Daya U 2.1. Memuat Atribut Baik pemahaman tentang karakteristik membantu untuk merancang suatu alasan model untuk mencapai hasil yang akurat kondisi. Sebuah beban harian khas pola curv selama musim panas digambarkan dalam F dilihat dari Gambar. 2, consumsi tertinggi musim panas terjadi ketika dem energi dan pendingin udara tinggi, dan konsumsi tinggi di musim dingin adalah karena untuk pemanas sistem. Pola kurva beban undergoes karena tidak stabil bersyarat perubahan faktor yang harus di pertimbangkan pada proses peramalan adalah sebagai berikut: Cuaca Waktu Ekonomi, dan Acak gangguan nt ekonomi jaringan listrik pendek periode yaitu, total membentuk kembali di bawah nt penyediaan etwork keamanan.

sebenarnya jumlah, ch akibatnya dom gangguan kira listrik se parameter adalah tion klasik s dan tidak pasti ble metode untuk ch adalah samar-samar Memuat peramalan pada lebih cepat dan OAD peramalan dn lama ommon metode metode ini didasarkan ily memuat dan ethods berdasarkan diterapkan untuk memuat ted oleh biasa suhu. ccurate nilai dalam r, metode fuzzy OONTOH "tinggi atau se kabur metode e STLF, dan untuk Sanandaj daya Sider sebagai kasus Jaringan sistem beban nable peramalan di berbagai ve di Sanandaj ig. 1. Seperti yang bisa umption tingkat di rintah untuk pendinginan sedangkan tinggi penggunaan pemanas ergoes berbeda l faktor; ini uring bebanSetiap parameter akan pengaruh terhadap konsumsi

Suhu dianggap komponen dalam dinamika telah dilakukan untuk obtai antara komponen ini perubahan dapat mempengaruhi dia permintaan di musim dingin dan Suhu perubahan langsung. Namun, ini chan tetapi dalam hal apapun dapat menyebabkan de bangunan. Pengaruh te berbagai musim. Rendah marah konsumen untuk menggunakan pemanas Juga karena cuaca panas tuntutan untuk dingin dan coo pola konsumsi, distribusi Perusahaan dengan suhu dalam memprediksi Gambar. 2.Temperature di Gambar. 1.Temperature di e dijelaskan untuk menunjukkan nya n variasi. d untuk menjadi yang paling penting upaya beban, dan banyak dalam hubungan yang tepat dan beban. Suhu Ating dan pendinginan listrik musim panas, masing-masing. mempengaruhi pola beban, nges tidak terjadi begitu cepat, elays penyimpanan panas dalam emperature berbeda dalam ratures di musim dingin dapat memaksa g peralatan. di musim panas, meningkatnya oling peralatan, mempengaruhi dramatically.Accordingly, memperhatikan pentingnya g beban, mengatur waktu t malam puncak beban

2.2. Cuaca

t tengah hari beban puncak 40 dengan suhu basa, dan akan membuat perubahan dari posisi normal menyebabkan perubahan pola beban. Kelembaban sebagai salah satu pengaruh cuaca variabel pada sistem AC dan alat pendingin di musim panas. Pengaruh kelembaban adalah seperti efek dari udara temperatur nilai dan penyebab untuk meningkatkan ruangan suhu. Kelembaban efek dalam model varian berbeda dan mungkin mempengaruhi langsung atau tidak langsung di STLF tersebut. 2.3. Waktu Faktor ini mencakup dampak musim, bekerja dan liburan hari. Sebagai contoh, efek dari hari cahaya jam dalam setiap musim dapat muncul dalam beban pola. 2.4. Ekonomi Situasi ekonomi juga mempengaruhi pemanfaatan listrik. Siklus kali sehari, sehingga setiap hari yang sama dengan pelanggan kegiatan. Permintaan terendah adalah kali yang dalam permintaan jam andhigher pagi hari adalah di awal malam. Beban industri dalam seminggu adalah jauh lebih dibandingkan daripada akhir pekan. Itu waktu liburan memiliki efek yang lebih pola beban dan konsumsi dari biasanya.

2.5. Acak gangguan Pelanggan industri besar seperti baja canai, adalah dapat menyebabkan perubahan beban mendadak. Para faktor alam seperti gempa bumi, banjir dan perang sipil dan migrasi dari satu daerah ke daerah lain yang menyebabkan kerusuhan atau tidak aktif ekonomi di kawasan dan lainnya penyebab seperti faktor-faktor ini mengubah pola beban di daerah manapun. 3. Usulan Metodologi Selama dua dekade terakhir, telah terjadi luar biasa pertumbuhan dalam penggunaan kontroler logika fuzzy dalam aplikasi daya sistem. Karena beban yang tepat peramalan tetap merupakan tantangan besar, utama Tujuan dari metodologi fuzzy dalam arus studi ini adalah untuk mengembangkan model praktis yang dapat mencapai hasil yang akurat peramalan. Keuntungan utama dari menggunakan logika fuzzy dalam beban aplikasi peramalan adalah sebagai berikut: Logika fuzzy dapat menerapkan tujuan desain yang sulit diungkapkan secara matematis, dalam bahasa atau deskriptif aturan. Logika fuzzy menggunakan fuzzy set yang memungkinkan kita untuk menyingkat besar jumlah data ke set yang lebih kecil dari aturan variabel. Masukan Fuzzy digunakan dalam penelitian ini tercantum sebagai berikut:

 Konsumsi hari terakhir (MWh). Konsumsi Minggu lalu (MWh). Peramalan suhu (o C) Suhu hari terakhir (o C). Cuaca. Hari (set biner menentukan apakah itu adalah kerja normal hari atau hari libur). Kombinasi input / output fuzzy ditunjukkan pada Gbr.3. Terkenal empat langkah untuk kabur pelaksanaan dijelaskan sebagai berikut: subbagian.

terakhir", "terakhir minggu konsumsi ", dan" output "di jam pertama hari dan lain kali. Pada jam-jam pertama hari (1to 8 pagi) kita sudah mendapat berbagai variabel antara 42-70 MW dan di jam lain 42 (9-24 Jam) antara sampai 90 MW. Gambar. 3. Fuzzy input / output kombinasi 41

3.1. Linguistik variabel dan fuzzy set Setiap input dan output dari sistem fuzzy yang diusulkan adalah dibagi menjadi jumlah fuzzy set seperti yang ditunjukkan pada Gambar. 4 untuk 11.The keluaran dibagi menjadi tujuh set fuzzy; itu menunjukkan tingkat konsumsi untuk diperkirakan beban sehubungan dengan situasi input, fuzzy set output sebagai berikut: Sangat rendah konsumsi (VVL), Sangat rendah konsumsi (VL), Rendahnya konsumsi (L), Normal konsumsi (N), Tingginya konsumsi (H), Sangat tinggi konsumsi (VH), dan Sangat tinggi konsumsi (VVH). Interval pengeluaran konsumsi tersebut dibagi menjadi tujuh Gaussian set ditunjukkan pada Gambar 4. Dalam tulisan ini, hasil yang lebih baik tenang dicapai dengan mengubah jumlah maksimum beban untuk "konsumsi hari

Interval untuk "hari terakhir konsumsi" dan "Minggu konsumsi Terakhir" masukan telah dibagi menjadi tujuh anggota fungsi: Sangat sangat rendah konsumsi (VVL), Sangat rendah konsumsi (VL), Rendahnya konsumsi (L), Normal konsumsi (N), Tingginya konsumsi (H), Sangat tinggi konsumsi (VH), dan Sangat sangat tinggi konsumsi (VVH). Fungsi keanggotaan untuk input data historis ditunjukkan pada Gambar. 5 sampai 6 sebagai berikut: "Hari terakhir konsumsi" dan "konsumsi Pekan lalu"

masukan termasuk dalam implementasi fuzzy untuk menentukan perilaku konsumsi selama lalu hari dan pekan lalu rata-rata, masingmasing. Seperti ditunjukkan dalam Gambar. 7 sampai 8, interval untuk "terakhir hari suhu "dan" suhu Peramalan "memiliki dibagi menjadi tiga fungsi keanggotaan yang

berikut: Rendahnya suhu (L), Normal suhu (N), dan Suhu tinggi (H). Nilai suhu rata-rata pada Gambar. 7 adalah terjadi antara -? C dan C yang mewakili itu??? rendah dan tinggi rata-rata suhu, masingmasing. Gambar. 8. Keanggotaan berfungsi untuk suhu diperkirakan dalam derajat Celcius (o C). -2 0 2 4 6 8 10 12 14 16 0 0.2 0.4 0.6 0.8 1 forc sebagai t edtempreture Tingkat membershi p LNH Gambar. 7. Keanggotaan fungsi untuk suhu hari terakhir di gelar Celcius (o C). -2 0 2 4 6 8 10 12 14 16 0 0.2 0.4 0.6 0.8 1 lastd AYT empreture Derajat keanggotaan LNH Gambar. 6. Keanggotaan fungsi untuk konsumsi pekan lalu di Megawatt (MW).

45 50 55 60 65 70 75 80 85 90 0 0.2 0.4 0.6 0.8 1 lastw eekc onsumption Tingkat membershi p VVL VL L N H VH VVH Gambar. 5. Keanggotaan fungsi untuk konsumsi hari terakhir di Megawatt (MW) 45 50 55 60 65 70 75 80 85 90 0 0.2 0.4 0.6 0.8 1 lastd AYC onsumption Tingkat membershi p VVL VL L N H VH VVH Gambar. 4. Keanggotaan fungsi untuk beban diperkirakan dalam Megawatt (MW). 45 50 55 60 65 70 75 80 85 90 0 0.2 0.4 0.6 0.8 1 Diperkirakan beban (MW) Derajat keanggotaan VVL VL L N H VH VVH 42 Masukan cuaca interval dibagi menjadi empat fungsi keanggotaan (awan penuh, awan setengah, awan, jelas) seperti ditunjukkan pada

Gambar. 9. The "Cuaca" masukan dalam pelaksanaan kabur digunakan untuk menentukan kondisi cuaca (yaitu, awan penuh, setengah awan, awan, jelas) adalah dominan (Gambar 9). Seperti diilustrasikan dalam Gambar. 10, "Hari" adalah input dengan biner batas-batas yang menentukan jika hari adalah yang normal hari kerja atau hari libur. "Hari" input digunakan untuk menentukan tugas hari (Hari libur atau hari kerja) dalam waktu 0-1 jangkauan.

fuzzifikasi sub-proses akan dirangkum pada langkah berikutnya untuk membentuk bentuk gabungan ditunjukkan pada Gambar. 11. Setelah itu, akan defuzzified untuk mendapatkan nomor garing (beban diperkirakan = 64,6 MW). Jika hari libur, maka (konsumsi hari terakhir) akan diabaikan dan "Minggu lalu konsumsi" nilai harus dianggap sebagai hari libur terakhir. 4. Studi kasus Dalam karya ini kekuatan jaringan di Sanandaj Kurdistan Iran dianggap sebagai studi kasus. Itu data yang digunakan di sini telah diambil dari Sanandaj Distribusi Perusahaan masuk portofolio kapasitas termasuk bahan bakar berbahan bakar minyak uap sistem pembangkit, gas dipecat turbin pembakaran. Aturan dalam logika fuzzy dibuat berdasarkan sistem data beban historis lembaran tahun 2008 hingga 2011. Para fuzzy set adalah disetel untuk mendapatkan respon yang tepat berdasarkan variasi parameter yang berbeda. Tabel 1 ke 2, membandingkan antara beban aktual dan peramalan kabur hasil. Persentase kesalahan rata-rata mutlak (1) digunakan untuk mengukur kesalahan untuk metode yang diusulkan.

3.2. Melakukan inferensi fuzzy Proses inferensi fuzzy melibatkan fungsi keanggotaan, operator logika fuzzy, dan jika-maka aturan. Prosedur ini digunakan untuk menghitung pemetaan dari nilai input dengan nilai-nilai output, dan itu terdiri dari tiga sub-proses, fuzzificatin, agregasi, dan defuzzifikasi (Gbr. 11). Untuk Misalnya, aturan 6 ditunjukkan pada Gambar. 11. menunjukkan bahwa "Terakhir hari konsumsi "adalah 50MW dan" Day "adalah sama dengan 1 sebuah "hari kerja", tingkat aktivasi untuk set keluaran pada ketentuan enam membawa input minimum sama set "lalu hari konsumsi "derajat karena operator "Dan" digunakan. Para diaktifkan set karena

Tabel 1 ke 2, membandingkan antara beban aktual dan hasil peramalan fuzzy. Rerata mutlak

persentase kesalahan (MAPE) digunakan untuk mengukur kesalahan untuk metode yang diusulkan. Gbr.11. Proses peramalan dengan menggunakan Fuzzy Logic 1. Fuzzifikasi Hari terakhir konsumsi = 50 MW Hari = 1 Peramalan beban 6. 6. Jika (las_day_cons adalah VH) dan (hari adalah sehari-hari) maka (output VH) 6. Minggu lalu konsumsi = 70 MW Hari = 1 Peramalan beban 16. 16. Jika (las_week_cons adalah H) dan (hari adalah hari kerja) maka (output adalah H) 18. Minggu lalu konsumsi = 70 MW Hari = 1 Peramalan beban 18. 18. Jika (las_week_cons adalah VVH) dan (hari adalah hari kerja) maka (output VVH)

0.8 1 cuaca Tingkat membershi p jelas halfcloud awan fullclod 2. Pengumpulan 43

? ? ??? ???? ? ??? ?? (1) Gambar. 14 sampai 15 menunjukkan penyimpangan kecil (<3%) antara sebenarnya beban dan evaluasi himpunan fuzzy yang disebabkan oleh keterbatasan data yang dikumpulkan oleh dispatcher NEPCO dan karena variasi mendadak terjadi pada konsumsi beban tingkat di bawah pengaruh kondisi climatically berbeda.

64,6 MW Gambar. 10. Keanggotaan fungsi untuk "Hari". 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 0 0.2 0.4 0.6 0.8 1 hari Tingkat membershi p Liburan hari kerja Gambar. 9. Keanggotaan fungsi untuk cuaca tersebut. 0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 0 0.2 0.4 0.6

5. Kesimpulan Dalam tulisan ini, kerangka logika fuzzy diusulkan untuk kepentingan jangka pendek peramalan beban (STLF) masalah. Metode STLF diusulkan diperiksa pada jaringan distribusi listrik nyata terlihat bahwa peramalan beban menggunakan implementasi fuzzy

lebih cepat dan lebih akurat dibandingkan dengan konvensional metode peramalan yang berhubungan dengan data yang kaku dan memiliki lama pengolahan. Juga, STLF kabur hadir Model membantu utilitas ekonomi, panggung, oleh mengurangi kesalahan dalam prediksi beban. REFERENSI [1] R. Mamlook, O. Badran, E. Abdulhadi, Fuzzy inferensi model untuk jangka pendek beban forecasting.Elsevier publication.Energy kebijakan 37 (2009) 1239-1248. [2] S. Abdel-hadysoliman, A. Mohammad Al-Kandari. Beban Listrik Peramalan, Pemodelan dan model Konstruksi. Elsevier Butterworth-Heinemann publikasi. 2010. Gambar. 15 Perbandingan antara beban yang sebenarnya dan fuzzy dalam 2011/11/03. 0 5 10 15 20 25 40 50 60 70 80 90 Waktu (Jam) Pow er consum ption (M W) Forcasted beban Realisasi beban Gambar. 14 Perbandingan antara beban yang sebenarnya dan fuzzy di 28/2/2011. 0 5 10 15 20 25 40 50 60 70 80

90 Waktu (Jam) Pow er consum ption (M W) Forcasted beban Realisasi beban Tabel. 2. Perbandingan antara beban diperkirakan aktual dan fuzzy dalam 11/3/2011 Tabel. 1. Perbandingan antara beban diperkirakan aktual dan fuzzy dalam 28/2/2011 44