Consumer Load Management Using Forecasting Algorithms

Abstract

مع زيادة الطلب على الكهرباء، ومع النمو السريع في قطاع توليد الطاقة المتجدددة وتينيدات توزي هدا، تبدرز الحاظدة إلدى دام متكامل إلدارة خدمات الكهرباء بطريية أكثر كفداءة وموقوقيدة وذكداءا الكدبكة ال كيدة (Smart Grid Network (SGN هدي واحدة من التينيات اإلبداعية التي تتحكم في موارد الطاقة التيليدية وغير التيليدية بف الية، حيث ا ها تيدوم بمتاب دل عمليدات توليدد الطاقة الكهربائية واستهالكها و يلها وتوزي هاا من بين األهداف الرئيسية للكبكة ال كية هو الحفاظ على اسدتمراريل الخدمدة مدع ضمان خفض فاتورة المستهلكا يتم ذلك بالسماح للمستهلكين إدخال الكهرباء اإلضافية المخز ة او المولدة من قدبلهم فدي الكدبكة ك ظدز ء ال كية للبيع وذلك لتيليل استخدام الكهرباء في وقت الد روةا وبالتدالي أ دبحت التسد ير المتريدرة مدع الوقدت لالسدتهال ا رئيسي ا من الكبكات ال كية، من خالل إدارة كال الجا بين من الكهربداء المباعدة للمسدتهلكين والكهربداء المشدخوخة للكدبكة مدن المستهلكا يمكن للكبكة ال كية ظمع الم لومات، مثل توق ات الطيس ومستوى التخزين ووقدت الد روةا حيدث يدتم اسدتخدام هد البيا ات التنبؤ بمسدتويات اتسدتهالك او ات تدال فدي المسدتيبل مثدل الطاقدة الكهروضدوئية، والتدي تتد قر بكدكل رئيسدي بحالدة الطيس( بدقة عاليةا ت تبر تينية ا تر دت اتادياء Internet of Things "IoT" الجديددة والتدي تج دل األادياء قابلدة للبرمجدة ا للنتائجا والتحكم فيها بواسطة ابكات الحاسب والتي يمكن استخدامها لجمع البيا ات من الكبكة وم الجتها وأداء المهام وفي توضح ه األطروحة كيف يمكن للمستهلكين اتستفادة من الم لومات المتوفر ألحمالهم السدابية فدي التنبدؤ بالحمدل لمدد م يندل وذلك باستخدام خوارزميات ميترحة من أظل الحصول على أقصى قدر من الفائدة، من خالل الن ر في األس ار المتريرة للسوق باإلضافة الى سلوك المستهلك واستخدامها في التنبؤ لألحمال المستيبلية اليريبةا إلظراء مثدل هد الدراسدة سديتم تجربدة تحليدل البيا ات التي تم ظم ها وتيديمها من أظل تيليل اتستهالك خالل وقت ال روة من خالل ميار ة مستوى الحمدل المتوقدع باسدتخدام خوارزمية MDP وخوارزمية ARMAا تُ هر اتستنتاظات أن استخدام خوارزمية ARMA ي طي خطد بنسدبة7ا3٪ للتنبدؤ ا لمجموعة استهالك الحملا With the high-growing demands of modern life and industry on electricity, and with the very rapid growth of renewable energy generation and distribution technologies rise a need of an integrated platform to manage electricity services in more efficient, reliable and intelligent way. Smart Grid Network (SGN) is one of the creative technologies that controls efficient and intelligent traditional and non-traditional resources of energy with respect to electric power generation, consumption, transmission and distribution. The stability of the distribution grid with fail-over techniques and consumer bill reduction are among the main goals of SGN. However, electricity consumers may input the extra stored electricity that they do not consume into the smart grid for sale to reduce peak-time electricity usage. Time-varying pricing schemes have become a main part of smart grids, by managing both sides from the electricity sold to consumers and the electricity pushed from the consumer. Such SGN’s can gather information, such as weather forecasts, storage level and the peak-time. Thus, by using this data, future levels of electricity generation (e.g., the energy from Photovoltaics (PV), which is mainly affected by the weather status) can be predicted with high accuracy. SGN needs to exchange the information between the consumers and the power supply companies. Smart meters are considered as SGN consumer device and will be suggested to be an Internet of Things (IoT) device to be used to record consumption of electric energy in intervals of an hour or less and send that information back to the company in a timely fashion for monitoring, controlling or billing purposes. Through this thesis, a load forecasting model will be presented, in which more than one source of energy is combined with a local grid control system. This model aims to estimate the electrical load of the consumers based on their previous readings. To achieve this prediction, A time series model and stochastic model were applied with a live sample of load profile data. This data was not used previously by any researcher. Different case studies has been run in order to ensure that the proposed model give the expected results, and investigating the results in different months during the year. To perform such a study, the analysis of the collected data transferred will be experimented and presented so as to minimize the load at the peak time by comparing the expected load level using the Markov Decision Process (MDP) algorithm and the Auto-Regressive Moving Average (ARMA) algorithm. Conclusions show that using the ARMA algorithm give an error percent of 3.7% for one day ahead forecasting. While for one day ahead forecasting, the MDP algorithm gives a range of readings according to the load consumption group.