Chulalongkorn University Theses and Dissertations (Chula ETD)

การพยากรณ์โหลดหม้อแปลงโดยใช้เครือข่ายประสาทเทียม

Other Title (Parallel Title in Other Language of ETD)

Transformer load forecast using an artificial neural network

Year (A.D.)

1999

Document Type

Thesis

First Advisor

บัณฑิต เอื้ออาภรณ์

Faculty/College

Faculty of Engineering (คณะวิศวกรรมศาสตร์)

Degree Name

วิศวกรรมศาสตรมหาบัณฑิต

Degree Level

ปริญญาโท

Degree Discipline

วิศวกรรมไฟฟ้า

DOI

10.58837/CHULA.THE.1999.841

Abstract

ประยุกต์ใช้ทฤษฎีเครือข่ายประสาทเทียมสำหรับการพยากรณ์โหลด ของหม้อแปลงไฟฟ้ากำลังที่ติดตั้งอยู่ในระบบจำหน่ายไฟฟ้า โดยใช้ปริมาณการใช้ไฟฟ้าของผู้ใช้ไฟที่ต่ออยู่กับหม้อแปลง เป็นข้อมูลด้านเข้าป้อนให้แก่เครือข่ายประสาท ที่ปรับสอนด้วยชุดข้อมูลตัวอย่างไว้เรียบร้อยแล้ว และได้ผลลัพธ์เป็นค่าพารามิเตอร์แสดงลักษณะโหลดของหม้อแปลงที่สำคัญ 2 ค่า คือ ค่าตัวประกอบโหลด และค่าตัวประกอบกำลังไฟฟ้า ขณะหม้อแปลงจ่ายโหลดสูงสุด ซึ่งนำไปใช้ในการคำนวณหาค่าโหลดสูงสุด Utilization factor และค่าโหลดโดยเฉลี่ยของหม้อแปลงต่อไป จากนั้นเปรียบเทียบผลที่ได้นี้กับผลที่ได้จากการพยากรณ์ โดยใช้วิธีการวิเคราะห์ทางสถิติ เครือข่ายประสาทเทียมที่ใช้ในวิทยานิพนธ์นี้ เป็นเครือข่ายแบบป้อน ไปสู่ข้างหน้าที่มีสองชั้น (Two layer feed-forward neural network) และใช้การปรับสอนแบบ Modified back-propagation (MBP) โดยใช้ข้อมูลของหม้อแปลงตัวอย่างที่ได้จากการตรวจวัดจริง ร่วมกับข้อมูลจากระบบฐานข้อมูลของการไฟฟ้าส่วนภูมิภาค ในการปรับสอนให้เครือข่ายเรียนรู้ลักษณะการจ่ายโหลดของหม้อแปลง และสามารถพยากรณ์ได้อย่างแม่นยำ วิธีการพยากรณ์โหลดหม้อแปลงที่พัฒนาขึ้น สามารถนำไปประยุกต์ใช้ในทางปฏิบัติได้จริง ผลจากการทดสอบความถูกต้องแม่นยำในการพยากรณ์ โดยการป้อนข้อมูลทดสอบให้แก่เครือข่ายประสาท แล้วเปรียบเทียบผลลัพธ์ที่ได้กับค่าจริงจากการตรวจวัด ชี้ให้เห็นว่าความผิดพลาดโดยเฉลี่ยที่เกิดจากการพยากรณ์ โดยใช้เครือข่ายประสาทเทียมมีค่าใกล้เคียงกัน กับที่เกิดจากการพยากรณ์โดยใช้วิธีการทางสถิติ

Other Abstract (Other language abstract of ETD)

Presents the application of an artificial neural network in the distribution transformer load forecast using kWh consumption of the connected electrical consumers as inputs of the neural network, which was trained in advance by the sample of data. The designed outputs are kW load factor and power factor at peak load, which will be used to calculate the peak load, utilization factor, and average loading of each transformer. The results are then compared with the outcomes from a statistical method. This thesis applys the modified back-propagation (MBP) algorithm to train two layer feed-forward neural network using sampled transformer data from the direct measurement for data collection, and other related information from Provincial Electrical Authority (PEA) data base systems as the training data. The developed forecast method is practical for further applications purposes. The test results show that an average error of the forecasted values obtained from neural network is satisfactory compared to that obtained from statistical method.

Link to Full Text

Share

COinS