پیش‌بینی بار الکتریکی با به‌کارگیری مدل‌های ترکیبی سیستم‌های فازی- عصبی و خودرگرسیون میانگین متحرک انباشته فصلی

امروزه پیش بینی تقاضای الکتریسیته به عنوان یکی از مهم ترین حوزه های پیش بینی، نقشی اساسی در فرایند تصمیم گیری های اقتصادی دارد. آنچه که الکتریسیته را از سایر کالاها متمایز می سازد عدم امکان ذخیره سازی آن در مقیاس وسیع، هزینه بر و زمان بر بودن ساخت نیروگاه های جدید تولید و توزیع برق است. همچنین وجود روند نوسانی و غیرخطی و همچنین ابهام و پیچیدگی در داده های الکتریسیته موجب شده که استفاده از مدل های معمول پیش بینی تقاضای الکتریسیته کارامد نباشند. لذا ارائه مدل های جدید با استفاده از ابزارهای هوش محاسباتی و محاسبات نرم و ترکیب مدل ها از جمله دقیق ترین و پرکاربردترین روش های حال حاضر به منظور مدل سازی پیچیدگی و عدم قطعیت موجود در داده ها هستند. لذا در این مقاله یک مدل ترکیبی بهینه موازی با استفاده از ابزارهای هوش محاسباتی و محاسبات نرم، به منظور پیش بینی بار الکتریکی ارائه می شود. روش ترکیبی ارائه شده در این مقاله بر اساس روش های خودگرسیون میانگین متحرک انباشته فصلی و سیستم های استنتاج فازی عصبی است. ایده اصلی ارائه روش های ترکیبی، استفاده همزمان از مزایای مدل های تکی در مدل سازی سیستم های پیچیده در یک ساختار و همچنین غلبه بر محدودیت های مدل های تکی است. نتایج حاصل نشان می دهد که روش ترکیبی پیشنهادی عملکرد ضعیف تری نسبت به سایر روش های ترکیبی تکراری شبه بهینه نداشته و همچنین هزینه محاسباتی آن کمتر از این گونه از روش ها دارد. علاوه بر این، روش پیشنهادی توانسته است نتایج دقیق تری در مقایسه با مدل های تشکیل دهنده خود و همچنین برخی از روش های ترکیبی فصلی به دست آورد.

Electricity Load Forecasting by Combining Adaptive Neuro-fuzzy Inference System and Seasonal Auto-Regressive Integrated Moving Average

Nowadays, electricity load forecasting, as one of the most important areas, plays a crucial role in the economic process. What separates electricity from other commodities is the impossibility of storing it on a large scale and costeffective construction of new power generation and distribution plants. Also, the existence of seasonality, nonlinear complexity, and ambiguity pattern in electricity data set makes it more difficult to forecast by using the traditional methods. Therefore, new models, computational intelligence and soft computing tools and combining models are the most accurate and widely used methods for modeling the complexity and uncertainty in the data set. In this paper, a parallel optimal hybrid model using computational intelligence tools and soft computations is proposed to forecast the electricity load forecasting. The main idea of this model is the use of the advantages of the individual models in the modeling of complex systems in a structure and elimination of the limitations of them, simultaneously. The experimental results indicate that the proposed hybrid model has a higher performance accuracy in comparison to iterative suboptimal hybrid models and its computational cost is lower than the other hybrid models; also, the proposed model can achieve more accurate results, as compared with its component and some other seasonal hybrid models.