Published January 23, 2020 | Version v1
Publication Open

ARTIFICIAL NEURAL NETWORK BASE SHORT-TERM ELECTRICITY LOAD FORECASTING: A CASE STUDY OF A 132/33KV TRANSMISSION SUB-STATION

Creators

  • 1. Covenant University
  • 2. Tshwane University of Technology

Description

Forecasting of electrical load is extremely important for the effective and efficient operation of any power system. Good forecasts results help in minimizing the risk in decision making and reduces the costs of operating the power plant. This work focuses on the short-term load forecast of the 132/33KV transmission sub-station at Port-Harcourt, Nigeria, using the Artificial Neural Network (ANN). It provides accurate week-ahead load forecast using hourly load data of previous weeks. ANN has three sections namely; input, processing and output sections. There are four input parameters for the input section which are historical hourly load data (in MW), time of the day (in hours), days of the week and weekend while the output parameter after the processing (i.e. training, validation and test) is the next week hourly load predicted for the entire system. The technique used is the artificial neural network with the aid of MATLAB software. It was proven to be a good forecast method as it resulted in R-value of 0.988 which gives a mean absolute deviation (MAD) of 0.104 and mean squared error (MSE) of 0.27. Keywords : Load forecast, transmission substation, artificial neural network, power system JEL Classifications: C63, L94, L98, Q48 DOI: https://doi.org/10.32479/ijeep.8629

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

يعد التنبؤ بالحمل الكهربائي أمرًا مهمًا للغاية للتشغيل الفعال والكفء لأي نظام طاقة. تساعد نتائج التنبؤات الجيدة في تقليل المخاطر في صنع القرار وتقليل تكاليف تشغيل محطة توليد الكهرباء. يركز هذا العمل على توقعات الحمل على المدى القصير للمحطة الفرعية لنقل 132/33 كيلو فولت في بورت هاركورت، نيجيريا، باستخدام الشبكة العصبية الاصطناعية (ANN). يوفر توقعات دقيقة للحمل قبل أسبوع باستخدام بيانات الحمولة بالساعة للأسابيع السابقة. تحتوي ANN على ثلاثة أقسام وهي ؛ أقسام المدخلات والمعالجة والمخرجات. هناك أربعة معلمات إدخال لقسم الإدخال وهي بيانات الحمل بالساعة التاريخية (بالميغاواط)، والوقت من اليوم (بالساعات)، وأيام الأسبوع وعطلة نهاية الأسبوع، في حين أن معلمة الإخراج بعد المعالجة (أي التدريب والتحقق من الصحة والاختبار) هي الحمل بالساعة في الأسبوع التالي المتوقع للنظام بأكمله. التقنية المستخدمة هي الشبكة العصبية الاصطناعية بمساعدة برنامج ماتلاب. وقد ثبت أنها طريقة تنبؤ جيدة لأنها أسفرت عن قيمة R تبلغ 0.988 مما يعطي متوسط الانحراف المطلق (MAD) 0.104 ومتوسط الخطأ التربيعي (MSE) 0.27. الكلمات المفتاحية : توقعات الحمل، محطة الإرسال الفرعية، الشبكة العصبية الاصطناعية، تصنيفات جيل لنظام الطاقة: C63، L94، L98، Q48 DOI: https://doi.org/10.32479/ijeep.8629

Translated Description (French)

La prévision de la charge électrique est extrêmement importante pour le fonctionnement efficace et efficient de tout système électrique. De bons résultats de prévision aident à minimiser le risque dans la prise de décision et à réduire les coûts d'exploitation de la centrale électrique. Ce travail se concentre sur la prévision de la charge à court terme de la sous-station de transmission 132/33 KV à Port-Harcourt, au Nigéria, en utilisant le réseau de neurones artificiels (RNA). Il fournit une prévision précise de la charge hebdomadaire à l'aide des données de charge horaire des semaines précédentes. ANN a trois sections à savoir ; sections d'entrée, de traitement et de sortie. Il y a quatre paramètres d'entrée pour la section d'entrée qui sont les données historiques de charge horaire (en MW), l'heure de la journée (en heures), les jours de la semaine et le week-end tandis que le paramètre de sortie après le traitement (c.-à-d. formation, validation et test) est la charge horaire de la semaine suivante prévue pour l'ensemble du système. La technique utilisée est le réseau de neurones artificiels à l'aide du logiciel Matlab. Il s'est avéré être une bonne méthode de prévision car elle a donné une valeur R de 0,988, ce qui donne une déviation absolue moyenne (MAD) de 0,104 et une erreur quadratique moyenne (MSE) de 0,27. Mots-clés : Prévision de charge, sous-station de transmission, réseau neuronal artificiel, système électrique Classification JEL : C63, L94, L98, Q48 DOI : https://doi.org/10.32479/ijeep.8629

Translated Description (Spanish)

La previsión de la carga eléctrica es extremadamente importante para el funcionamiento eficaz y eficiente de cualquier sistema de energía. Los buenos resultados de los pronósticos ayudan a minimizar el riesgo en la toma de decisiones y reducen los costos de operación de la planta de energía. Este trabajo se centra en el pronóstico de carga a corto plazo de la subestación de transmisión de 132/33KV en Port-Harcourt, Nigeria, utilizando la Red Neuronal Artificial (ANN). Proporciona un pronóstico de carga semanal preciso utilizando datos de carga por hora de semanas anteriores. ANN tiene tres secciones, a saber, secciones de entrada, procesamiento y salida. Hay cuatro parámetros de entrada para la sección de entrada que son datos históricos de carga horaria (en MW), hora del día (en horas), días de la semana y fin de semana, mientras que el parámetro de salida después del procesamiento (es decir, entrenamiento, validación y prueba) es la próxima semana carga horaria prevista para todo el sistema. La técnica utilizada es la red neuronal artificial con la ayuda del software MATLAB. Se demostró que era un buen método de pronóstico, ya que dio como resultado un valor R de 0,988 que da una desviación absoluta media (MAD) de 0,104 y un error cuadrático medio (MSE) de 0,27. Palabras clave : Previsión de carga, subestación de transmisión, red neuronal artificial, sistema de alimentación Clasificaciones JEL: C63, L94, L98, Q48 DOI: https://doi.org/10.32479/ijeep.8629

Files

4882.pdf

Files (1.5 MB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:f3aacc82515bf2b3c91afaeedcf02a8c
1.5 MB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
قاعدة الشبكة العصبية الاصطناعية التنبؤ بحمل الكهرباء على المدى القصير: دراسة حالة لمحطة فرعية لنقل 132/33 كيلو فولت
Translated title (French)
PREVISION DE LA CHARGE D'ELECTRICITE A COURT TERME SUR LA BASE D'UN RESEAU NEURONAL ARTIFICIEL : UNE ETUDE DE CAS D'UNE SOUS-STATION DE TRANSMISSION 132/33KV
Translated title (Spanish)
PRONÓSTICO DE LA CARGA ELÉCTRICA A CORTO PLAZO DE LA BASE DE LA RED NEURONAL ARTIFICIAL: UN ESTUDIO DE CASO DE UNA SUBESTACIÓN DE TRANSMISIÓN DE 132/33KV

Identifiers

Other
https://openalex.org/W3000880451
DOI
10.32479/ijeep.8629

Is supplement to
https://openalex.org/W4385195237 (Other)
https://openalex.org/W4381189085 (Other)
https://openalex.org/W4318676890 (Other)
https://openalex.org/W4285102093 (Other)
https://openalex.org/W4283367183 (Other)
https://openalex.org/W4255385072 (Other)
https://openalex.org/W4210644201 (Other)
https://openalex.org/W3178576217 (Other)
https://openalex.org/W3111532652 (Other)
https://openalex.org/W2039947585 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Nigeria

References

  • https://openalex.org/W1493136667
  • https://openalex.org/W1541837603
  • https://openalex.org/W1853982597
  • https://openalex.org/W1917453573
  • https://openalex.org/W2116048577
  • https://openalex.org/W2140490477
  • https://openalex.org/W2528071769
  • https://openalex.org/W2606210663
  • https://openalex.org/W2740120194
  • https://openalex.org/W2789860659
  • https://openalex.org/W417143071