مصرف بار الکتریکی

 

انواع مصرف بار الکتریکی

 

 

  • انواع بار الکتریکی

بارها را می توان از نقطه نظرهای مختلفی طبقه بندی کرد. یک نوع طبقه بندی ممكن است از دیدگاه میزان توان درخواستی صورت گیرد که کاربرد چندانی ندارد. اما مهمترین دسته بندی بر اساس طبیعت بار و نوع مصرف با توجه به پارامترهای بیان کننده خصوصیات بار از قبیل ضریب بار، ضریب همزمانی و غیره صورت می گیرد. بر این اساس می توان انواع بارها را بصورت زیر طبقه بندی کرد:

۱- بار شهری – خانگی

۲- بار تجاری

٣- بار صنعتی

۴- بار کشاورزی

۵- بار شهرداری

 ۶- سایر بارها

خصوصیات هر یک از انواع بار از اهمیت ویژه ای برخوردار است. زیرا در بسیاری از موارد بدون آگاهی از طبیعت مصرف، شناخت عوامل مؤثر بر میزان آن امکان پذیر نیست. دقیقترین روش های پیش بینی بار بر پایه شناخت عوامل مؤثر بر میزان مصرف انرژی الکتریکی قرار دارند.

 

 

 

  • بار شهری – خانگی

این بار اساساً شامل مصرف انرژی الکتریکی توسط وسایل خانگی مورد استفاده در خانواده ها می باشد. بعضی از موارد آن عبارتند از:

 ۱- گرمازا – سرمازا مثل يخچال، شوفاژ ، کولر و ..

۲- روشنایی

۳- مکانیکی مثل جاروبرقی و ماشین لباسشویی

 ۴- مخابراتی مثل رادیو و تلویزیون

 ۵- سایر مصارف

میزان تقاضا برای این نوع از بار تابع عوامل متعددی است که بعضی از آن ها ثابت و دارای یک روند مشخص هستند و بعضی دیگر خود تابعی از سایر عوامل می باشند و یا تقریبا تصادفی هستند. در بخش مصرف خانگی می توان مهمترین عوامل مؤثر بر میزان بار را بصورت زیر بیان نمود:

۱- تعداد مصرف کننده های خانگی

۲- نوع مصرف کننده های خانگی

۳- جمعيت مصرف کننده

۴- مصرف انرژی سرانه

۵- میزان نفوذ وسایل جدید

۶- تحولات تکنولوژی در وسایل خانگی

نکته ای که باید به آن توجه داشت این است که میزان مصرف انرژی الکتریکی در بخش خانگی بستگی به شرایط اجتماعی و جغرافیائی در منطقه مورد نظر دارد که در واقع این شرایط تعیین کننده نوع وسایل خانگی هستند. بعنوان مثال در کشور پهناوری مثل ایران با تنوع آب و هوایی زیادی در مناطق گرمسیر کشور در زمستان از وسایل گرمازا بندرت استفاده می شود و بالعکس در مناطق سردسیری کشور در تابستان تجهیزات خنک کننده مورد استفاده قرار نمی گیرند. حتى الگوهای مصرف در یک منطقه بین خانواده های شهری و روستایی متفاوت هستند به این جهت این نوع از بار باید بصورت منطقه ای و با شناخت دقیق از خصوصیات بومی و علایق مصرف کنندگان محلی مطالعه شود.

در ایران، بار خانگی بخش بزرگی از تقاضای کل سالیانه را تشکیل می دهد لذا توجه به این نوع بار و شناخت پارامترهای آن مهم است، به خصوص این که ضریب مشارکت در پیک برای این نوع بار نسبتاً زیاد است. بطور نمونه ضرایب مشخصه این بار به این صورت هستند:

 

  • ضریب همزمانی    ۰٫۸۳-۰٫۷۷
  • ضریب بار              ۰٫۱۵-۰٫۱

 

 

 

 

  • بار تجاری

این بار عمدتاً از روشنایی برای فروشگاه ها، تبلیغات، تهویه، گرما و دیگر کاربردهای برق در تجارت از قبیل رستوران ها، سوپر مارکت ها و غیره تشکیل شده است. و با توجه به این واقعيت که مؤسسات تجاری معمولاً به سوی خدمات و سرویس دهی سوق داده می شوند، الگوهای رشد مصارف تجاری و عوامل مؤثر بر میزان مصرف انرژی الکتریکی در این بخش بسیار به الگوهای رشد مصارف خانگی نزدیک هستند.

اما میزان مصرف انرژی در این بخش تابعی از میزان رونق تجاری است که خود به رشد اقتصادی و عوامل مربوط به آن بستگی دارد. حتی شاید بتوان میزان تقاضا در این بخش را به عوامل خارجی از قبیل روابط تجاری مربوط دانست. لذا مطالعه میزان تقاضا در این بخش نمی تواند مستقل از وضعیت اقتصادی و اجتماعی صورت گیرد و مشکلات خاص خود را دارد.

ضرایب مشخصه بار در این بخش به صورت زیر هستند:

  • ضریب همزمانی           ۰٫۹-۰٫۸۳
  • ضریب بار                    ۰٫۳-۰٫۲۵

 

 

 

  • بار صنعتی

این نوع بار با توجه به تنوع خود، شامل چند دسته می باشد که عبارتند از:

  • صنایع روشنایی: کمتر از ۵ کیلووات
  • صنایع کوچک: ۲۵-۵ کیلووات
  • صنایع متوسط: ۱۰۰-۲۵ کیلووات
  • صنایع بزرگ: ۵۰۰-۱۰۰ کیلووات
  • صنایع سنگین: بیش از ۵۰۰ کیلووات

 

از میان تمامی انواع بار، پیش بینی بار در بخش صنعت به نسبت از تمامی بخش های دیگر مشکل تر است زیرا مصرف انرژی در این بخش به شدت با اقتصاد جامعه گره خورده است و بر همه روشن است که اقتصاد یک جامعه همواره دستخوش تغییرات می باشد. برای برآورد انرژی در این بخش روش های مختلفی ارائه شده است. یک روش مبتنی بر برآورد میزان تولید کالا و ضرب آن در انرژی لازم برای هر واحد کالای تولیدی است.

همچنین احداث انواع نیروگاه های حرارتی، گازی، سیکل ترکیبی و آبی باید بر اساس شرایط آب و هوایی و فلسفه وجودی هر یک از این نیروگاه ها صورت گیرد. معمولاً نیروگاه های آبی در مناطق پر آب برای مصارف کشاورزی ساخته می شوند و همانند نیروگاه های گازی به سرعت وارد مدار می گردند که جهت کنترل پیک مصرف مفید می باشد.

ولی نیروگاه های حرارتی زمان راه اندازی طولانی تری دارند و وارد و خارج کردن سریع آن ها باعث افت بازده در آنها می گردد. بنابراین نیروگاه های حرارتی جهت بار پایه مناسب هستند. از دیگر موارد استفاده پیش بینی بلند مدت بار، برآورد خطوط انتقال فشار قوی و بحث پایداری در سیستم های قدرت می باشد.

 

 

 

  • پیش بینی بار الکتریکی از نظر زمان

پیش بینی بار از نظر زمان به سه دسته تقسیم بندی می گردد که عبارتند از:

  •  پیش بینی دراز مدت بار
  • پیش بینی میان مدت بار
  • پیش بینی کوتاه مدت بار

 

 

  • پیش بینی دراز مدت بار الکتریکی

از آنجایی که ایجاد نیروگاه های جدید مستلزم هزینه ای هنگفت است و از طرفی امکان ذخیره این انرژی گرانبها نیز بطور کامل وجود ندارد، نیاز به برنامه ریزی بلند مدت در سیستم های قدرت احساس می گردد.

در برنامه ریزی بلند مدت سیستم های قدرت، اولین و مهمترین گام داشتن اطلاعات کافی و کامل از چگونگی رشد مصرف انرژی و پیش بینی روند منطقی آن با توجه به عوامل مختلف می باشد. زیرا هر گونه تصمیم گیری برای ایجاد نیروگاه های جدید و تولید انرژی، نیاز به داشتن اطلاعات کافی در خصوص میزان بار درخواستی و مکان مورد نظر دارد.

میزان خطای پیش بینی بار نیز دارای اهمیت خاصی می باشد بخصوص که انرژی الکتریکی در مقیاس وسیع قابل ذخیره سازی نیست. از طرف دیگر مدیریت تولید و توزیع انرژی الکتریکی، برای برنامه ریزی طولانی باید براساس تطبيق عرضه و تقاضا تصمیم به سرمایه گذاری بهینه نماید.

 

 

  • پیش بینی میان مدت بار الکتریکی

پیش بینی میان مدت بار معمولاً بین ۵ تا ۱۰ سال است و به منظور تخمین مکان پست های kV ۶۳، طراحی مناسب ظرفیت ترانسفورماتورها، آرایش فیدرها و گسترش پست ها به کار می رود. یکی از کاربردهای پیش بینی میان مدت بار در طراحی ترانسفورماتورها و پست های شهرهایی است که بنا به دلایلی نظیر زلزله، جنگ و … تخریب شده اند و نیاز به بازسازی کلی دارند.

 

 

 

  • پیش بینی کوتاه مدت بار الکتریکی

پیش بینی کوتاه مدت بار معمولاً بین یک روز تا یک سال می باشد. دلایل اصلی پیش بینی کوتاه مدت عبارتند از:

  • زمانبندی مناسب برای بهره برداری اقتصادی از واحدهای قدرت.
  • زمانبندی مناسب جهت برنامه ریزی تعمیرات و سرویس دوره ای نیروگاهها و خطوط انتقال.
  • اطلاع از بار شبکه جهت اطمینان و امنیت شبکه و جلوگیری از حوادث احتمالی در اثر عواملی نظیر اضافه بار و تغییرات ولتاژ.
  •  رعایت میزان تولید انرژی تعیین شده واحدهای آبی با توجه به میزان ذخیره آب پشت سدها و فصول مختلف.

 

 

  • روش های پیش بینی بار الکتریکی  

روش های پیش بینی بار الکتریکی، برحسب این که چه داده هایی مورد استفاده قرار می گیرند بطور کلی به سه دسته به شرح زیر تقسیم می شود:

  • پیش بینی براساس مسیریابی داده های موجود از گذشته و حال بار (روش های مبتنی بر تعميم)
  • پیش بینی براساس مدل های اقتصادی و آماری (روش های مبتنی بر اقتصاد سنجی).
  • پیش بینی بر اساس شناخت مصارف نهائي انرژی الکتریکی (روش های مبتنی بر مصرف نهائي)

 

 

  • روش های مبتنی بر تعميم

در مورد روش اول، با توجه به سوابق موجود از بار و روند رشد بار در گذشته و با این فرض که روند موجود در آینده نیز ادامه می یابد پیش بینی صورت می گیرد. در این روش، یک منحنی مناسب به داده های گذشته برازش می شود و با برونیابی این منحنی، پیش بینی صورت می گیرد. این روش در واقع ساده ترین روش پیش بینی است و به ورودی های کمتری نیاز دارد. همچنین بر حسب این که چه داده ای از بار (انرژی یا پیک) مورد استفاده قرار می گیرد و چه مدلی انتخاب می شود روش های مختلفی پیش می آید.

 

 

  • روش های مبتنی بر اقتصاد سنجی

در روش دوم پیش بینی، سعی می شود که ارتباطی بین مصرف انرژی الکتریکی و  پارامترهای اقتصادی مانند رشد تولید ناخالص ملی، رشد جمعیت، درآمد و …. برقرار شود  و با پیش بینی این پارامترهای اقتصادی که نتیجه ای از برنامه های توسعه اقتصادی و اجتماعی است بار مورد نیاز پیش بینی گردد.

در این روش، انرژی الکتریکی از دید کلان مورد بررسی قرار گرفته پیش بینی می شود و انتخاب پارامترهای مؤثر، مهمترین قسمت کار را تشکیل می دهد زیرا شناخت مؤثرترین عوامل از بین کلیه عوامل مؤثر در مصرف انرژی الکتریکی نیاز به آگاهی کامل از خصوصیات اجتماعی، اقتصادی، فرهنگی و  جغرافیایی محل دارد.

 

 

  • روش های مبتنی بر مصرف نهائی

روش سوم یعنی روش مبتنی بر مصارف نهائی شاید بتوان گفت از دقیق ترین روش های پیش بینی است. زیرا در این روش تأكید بیشتری روی نحوه مصرف نهائي انرژی می شود. در این روش با تعیین توان مصرفی توسط هر مصرف کننده نهائی مثل يخچال، سیستم های تهویه و غیره، برآورد تعداد این مصرف کننده ها در طول دوره مورد پیش بینی میزان نهایی بار محاسبه می گردد.

با توجه به گستردگی روز افزون استفاده از وسایل الکتریکی و همچنین ورود وسایل جدید، برآورد تعداد و نوع وسایل جدید نیاز به جمع آوری اطلاعات زیادی دارد. تحول تکنولوژی مسأله دیگری است که باید مورد توجه قرار گیرد. این امر باعث تغییر بازده تجهیزات الکتریکی و اختراع سیستم های جدید می شود. یکی از راه های موجود، استفاده از اطلاعات برنامه های شهر سازی، روند مصرف انرژی و سایر برنامه های اقتصادی – اجتماعی می باشد که با این اطلاعات عملیات تعیین محدوده منطقه مورد نظر، دسته بندی انواع بار، تقسیم بندی کل منطقه به مناطق کوچکتر، تعیین چگالی بار برای هر کدام و در نهایت تعیین بار کل منطقه با توجه به سطح و چگالی بار انجام می گردد (روش Land use).

با توجه به دقت و کارایی مختلف روش های فوق، انتخاب روش مناسب باید بر اساس امکانات موجود شامل داده های بار، زمان لازم، افراد متخصص و دقت مورد نظر صورت گیرد. صرفنظر از روش انتخاب شده، نیاز اصلی در هر روش سوابق بار می باشد. با توجه به در دسترس نبودن داده های مربوط به روش های اقتصاد سنجی و مصرف نهایی معمولاً از روش های مربوط به تعمیم استفاده می گردد.

 

 

  • بررسی روش های مبتنی بر تعميم

در این روش ها از اطلاعات گذشته بار استفاده شده، مقدار بار در آینده پیش بینی می گردد. به این ترتیب که ابتدا یک منحنی به سوابق بار برازش داده می شود و با استفاده از اطلاعات موجود، ضرایب منحنی مفروض محاسبه می گردد. آن گاه با برونیابی منحنی برای سال های آتی، پیش بینی صورت می گیرد.

بسته به این که چه اطلاعاتی از سابقه بار برونیابی می گردد و یا این که چه منحنی هایی جهت برازش انتخاب می شوند موارد مختلفی پیش می آیند که هر یک دارای خصوصیات خاص خود هستند. برخی از این موارد که در پیش بینی دراز مدت بار مورد استفاده قرار می گیرند عبارتند از:

  • برونیابی پیک ساليانه
  • روش بهبود یافته برونیابی پیک ساليانه
  • جداسازی مؤلفه های حساس به شرایط آب و هوایی پیک ساليانه
  • روش انرژی و ضریب بار

در این روش ها می توان برای افزایش هر چه بیشتر دقت پیش بینی، مقدار تقاضا را  توسط ضرایبی به پارامترهای اقتصادی و یا آب و هوائی ارتباط داد.

 

 

  • برونیابی پیک ساليانه

در این روش یک تابع زمانی که منحنی مسیر نامیده می شود روی مقادیر گذشته حداکثر تقاضای سالیانه برازش می شود و با برونیابی این منحنی روی زمان مورد نظر، پیش بینی صورت می گیرد.

این روش در واقع ساده ترین راه برای پیش بینی بار است و در مواقعی که اطلاعات دقیقی از پارامترهای مؤثر بر میزان بار وجود ندارد عملی ترین روش به نظر می رسد. در این روش می توان از تأثیر آب و هوا، بدلیل شرایط یکسان جوی که در زمان حداکثر تقاضای سالیانه وجود دارد، صرفنظر کرد. اگر چه حداکثر تقاضا در مناطق گرمسیر در تابستان در یک مدت زمان خاص و همچنین حداکثر تقاضا در مناطق سردسیر در یک مدت زمان خاص اتفاق می افتد ولی بر اثر وقوع اتفاقات غیر منتظره ممکن است زمان پیک بین یک تا دو ماه در هر فصل جابجا شود.

تأثیر شرایط اقتصادی روی حداکثر تقاضای سالیانه هنگام برازش منحنی مسیر می تواند اعمال شود. اما ثابت شده است که این امر در عمل بسیار مشکلتر از تئوری می باشد. بهنگام استفاده از این روش می توان انحراف معیار پیش بینی پیک را محاسبه کرد. اما میزان اطمینان آن بدلیل محدود بودن اطلاعات زیاد نیست و اطلاعات ۲۰ سال گذشته بار که نسبت یک دوره طولانی به حساب می آید تنها ۲۰ نقطه برای برازش منحنی مسیر فراهم می آورد که این تعداد نقاط برای تخمین انحراف معیار مطمئن کافی نیست.

افزایش اطلاعات حتى اگر موجود باشد عملی نیست زیرا مشخصه طبیعی که پیک بار سالیانه را می سازد با زمان تغییر می کند. بعنوان مثال در مناطقی که بار بمرور زمان به شرایط آب و هوایی حساس می شود، انحراف معیار پیک ساليانه با یک دهه قبل از آن کاملا متفاوت خواهد بود. به این دلیل، افزایش اطلاعات گذشته ممکن است موجب دقت کمتری در حداکثر تقاضای سالیانه برازش می شود و با برونیابی این منحنی روی زمان مورد نظر، پیش بینی صورت می گیرد.

این روش در واقع ساده ترین راه برای پیش بینی بار است و در مواقعی که اطلاعات دقیقی از پارامترهای مؤثر بر میزان بار وجود ندارد عملی ترین روش به نظر می رسد. در این روش می توان از تأثیر آب و هوا، بدلیل شرایط یکسان جوی که در زمان حداکثر تقاضای سالیانه وجود دارد، صرفنظر کرد. اگر چه حداکثر تقاضا در مناطق گرمسیر در تابستان در یک مدت زمان خاص و همچنین حداکثر تقاضا در مناطق سردسیر در یک مدت زمان خاص اتفاق می افتد ولی بر اثر وقوع اتفاقات غیر منتظره ممکن است زمان پیک بین یک تا دو ماه در هر فصل جابجا شود.

تأثیر شرایط اقتصادی روی حداکثر تقاضای سالیانه هنگام برازش منحنی مسیر می تواند اعمال شود. اما ثابت شده است که این امر در عمل بسیار مشکلتر از تئوری می باشد. بهنگام استفاده از این روش می توان انحراف معیار پیش بینی پیک را محاسبه کرد. اما میزان اطمینان آن بدلیل محدود بودن اطلاعات زیاد نیست و اطلاعات ۲۰ سال گذشته بار که نسبتاً یک دوره طولانی به حساب می آید تنها ۲۰ نقطه برای برازش منحنی مسیر فراهم می آورد که این تعداد نقاط برای تخمین انحراف معیار مطمئن کافی نیست.

افزایش اطلاعات حتى اگر موجود باشد عملی نیست زیرا مشخصه طبیعی که پیک بار سالیانه را می سازد با زمان تغییر می کند. بعنوان مثال در مناطقی که بار بمرور زمان به شرایط آب و هوایی حساس می شود، انحراف معیار پیک سالیانه با یک دهه قبل از آن کاملاً متفاوت خواهد بود. به این دلیل، (افزایش اطلاعات گذشته ممکن است موجب دقت کمتری در زمانی مساوی در این روش مورد قبول نیستند) و یک منحنی مسیر با استفاده از روش حداقل مجموع مربعات خطا به داده ها برازش می گردد.

از تأثیر آب و هوا روی مقادیر تقاضا با فرض وجود شرایط مشابه در زمان اندازه گیری صرفنظر می شود. از نظر تئوری امکان تأثیر دادن شرایط اقتصادی بر مقادیر مشاهده شده با معرفی یک متغیر اقتصادی در هنگام برازش منحنی وجود دارد.

با برونیابی منحنی مسیر برای زمان مورد نظر، پیش بینی صورت می گیرد و تصمیمات لازم برای تصحیح مقادیر به دست آمده با توجه به شرایط اقتصادی مورد انتظار انجام می شود. در این روش بهبود یافته می توان برآوردهای واقعی تری از میانگین و انحراف معیار پیک سالیانه انتظار داشت اما تحلیل امکان آن از نظر آماری پیچیده است و توصیف و توجیه انحراف معیار هنوز هم دقت بیشتری را می طلبد بخصوص در مواردی که عوامل مؤثر بر مقدار پیک سالیانه با زمان تغییر می کند. نکته دیگری که هنگام استفاده از این روش باید مدنظر داشت این است که قابلیت اطمینان انحراف معیار تخمین با افزایش تعداد نقاط اندازه گیری شده برای یک سال افزایش می یابد لذا چنانچه تعداد داده های مورد استفاده بیش از حد زیاد شوند، مقدار انحراف معیار افزایش خواهد یافت زیرا در این صورت داده ها از شرط حداکثر بودن خارج می شوند و تعداد اطلاعاتی که با پیک واقعی تفاوت زیاد دارند افزایش می یابد.

اعمال تأثير آب و هوا روی پیک مصرف در هنگام استفاده از این روش با روش برونیابی ساده پیک چندان ساده نیست. از آنجا که وابستگی مقدار تقاضا به تغییرات آب و هوا و متغیرهای اقتصادی از یک سال به سال دیگر ممکن است متفاوت باشد پس بكار گیری این متغیرها هنگام برازش منحنی عملاً مشکل آفرین است. ذکر این نکته ضروری است که ۶ و یا ۱۲ نمونه داده در طول یک سال برای معرفی یک مدل بار کامل بر حسب پارامترهای اقتصادی و با آب و هوایی برای یک سال بخصوص اصلاً کافی نیست.

 

 

  • جداسازی مؤلفه های حساس به شرایط آب و هوایی پیک ساليانه

بررسی تقاضای بار سیستم بصورت ساعتی، هفتگی، ماهانه، فصلی و یا سالیانه امکان پذیر می باشد و تنها اختلاف در پریود نمونه برداری داده ها است. جداسازی مؤلفه های حساس و غیر حساس بار به شرایط آب و هوایی، مستلزم داشتن مدلی از بار است که بر اساس داده های بیشتری از بار بجای ۶ و یا حتی ۱۲ داده در طول سال ساخته شده باشد. با تغییر میزان تقاضای حساس به شرایط آب و هوایی، مدل در نظر گرفته شده باید مرتباً اصلاح شود.

با توجه به این که مدل از محاسبه همبستگی تقاضای بار با متغیرهای آب و هوایی به دست می آید لذا بهتر است که برای دقت هر چه بیشتر مدل، تعداد داده ها زیاد باشند که در این مورد داده های هفتگی مناسب به نظر می رسد. البته می توان از داده های ساعتی هم برای به دست آوردن مدل استفاده کرد اما به تجربه ثابت شده است که استفاده از داده های هفتگی (در روزهای کاری هفته) نیز باعث دقت قابل قبول در مدل خواهد شد.

به این ترتیب با بکار گیری داده های بیشتر، رابطه بین میزان تقاضای بار و پارامترهای آب و هوایی تعیین می گردد که می توان آن را برای برآورد پیک ساليانه نیز به کار برد. زمانی که محاسبه انحراف معیار مد نظر باشد، استفاده از یک مدل ساده تر باعث سادگی کار خواهد شد. زمانی که مدل آب و هوایی بار تعیین شد می توان مؤلفه های حساس به شرایط آب و هوایی را از پیک تقاضای سالیانه جدا کرد.

 

 

  • روش انرژی و ضریب بار الکتریکی

پیش بینی انرژی سالیانه بر حسب MWh یا kWh که بواسطه اندازه گیری دقیقتر با اطمینان بیشتری نسبت به پیش بینی پیک بار صورت می گیرد با استفاده از ضریب بار سالیانه به پیک سالیانه قابل تبدیل است. با توجه به این که انرژی در واقع انتگرال بار لحظه ای در یک مدت زمان نسبتاً طولانی است (۸۷۶۰ ساعت در سال) لذا نویز پذیری آن نسبت به پیک تقاضا که یک مقدار لحظه ایست بسیار کمتر است و اندازه گیری و تخمین آن با توجه به وجود مداوم دستگاه های اندازه گیری با اطمینان بیشتری امکان پذیر است.

این که آیا انرژی و ضریب بار سالیانه می توانند بگونه ای پیش بینی شوند که محاسبه پیک سالیانه از ترکیب آن ها، مطمئن تر از پیش بینی مستقیم بیک سالانه از طریق برونیابی باشد، سؤال مناسبی است. در مواردی که اندازه گیری دقیقی از مقادیر پیک سالانه وجود داشته باشد این دو روش از نقطه نظر دقت یکسان هستند زیرا با آنکه انرژی واقعی با دقت بیشتری نسبت به پیک قابل پیش بینی است، پیش بینی ضریب بار سالیانه که برای تبدیل انرژی به پیک لازم است به اندازه پیش بینی پیک ساليانه مشکل است.

البته می توان دقت پیش بینی ضریب بار را در حد معقولی حفظ نمود اما کاری که برای این منظور باید صورت گیرد قابل مقایسه با پیش بینی مستقیم یک ساليانه است.

مزیت اصلی این روش هنگامی روشن می شود که داده های پیک بار بواسطه وقوع حوادث گوناگون و یا عدم وجود ظرفیت لازم برای پاسخگویی به كل تقاضا اعتبار خود را از دست بدهند. نمونه بسیار مناسبی از این وضعیت، سوابق بار در کشور خودمان است که سوابق پیک بار بواسطه جنگ و تبعات ناشی از آن بطور کلی قابل اطمینان نیستند زیرا خروج از خط نیروگاه ها و انهدام خطوط و پست ها و سایر عوامل دیگر باعث خاموشی های مکرر شده اند که موجب از بین رفتن اعتبار سوابق بار موجود شده اند.

از طرفی مهاجرت ها نیز عامل عمده ای در تغییرات بار در مناطق مختلف بوده اند. همچنین عدم رشد و توسعه صنعتی و کاهش خدمات اجتماعی در این دوره باعث شده اند که بسیاری از آمارهای موجود برای برآورد بار آینده مناسب نباشند.

 

 

 

  • مدل سازی بار الکتریکی

طبیعت منحنی بار به گونه ای است که از یک مقدار کم اما افزاینده شروع می شود و به یک سطح اشباع می رسد. به عبارت دیگر شکل کلی یک دوره بار همانند یک منحنی لجستیک یا S می باشد. این گونه منحنی ها دارای سه پریود زمانی هستند.

۱- پریود اولیه که در آن رشد کم است و بتدریج افزایش می یابد.

۲- پریود میانی با روند رشد سریع

٣- پریود نهائی که در آن رشد کاهش می یابد و در نهایت به یک سطح اشباع می رسد.

مراحل فوق در شکل (۱) نشان داده شده اند.

 

 

مراحل رشد و تکامل بار

 

شکل (۱) مراحل رشد و تکامل بار

 

چنانچه داده های موجود از بار، مربوط به پریودهای ۱ و ۲ از منحنی بار باشند و شخص پیش بینی کننده به سطح اشباع نهایی بار توجه نداشته باشد در این صورت برونیابی مستقیم نتایج نامطلوبی در پی خواهد داشت.

 

 

مقالات مرتبط