پیش‌بینی نیاز مصرف فصلی شبکۀ برق ایران با استفاده از روش ترکیبی رگرسیون بردار پشتیبان و الگوریتم بهینه‌سازی مگس میوه

پیش‌بینی دقیق نیاز مصرف شبکه برق ماهانه می‌تواند در برنامه‌ریزی انرژی موثر باشد و مدیریت صحیح‌تر مصرف برق را امکان‌پذیر کند. نیاز مصرف برق ماهانه نشان‌دهنده گرایش فصلی پیچیده و غیرخطی است یکی از مدل‌هایی که به‌طور گسترده برای پیش‌بینی سری‌های زمانی غیرخطی استفاده می‌شود، رگرسیون بردار پشتیبان (svr) است که در آن باید انتخاب پارامترهای کلیدی و تاثیر تغییرات فصلی درنظر گرفته شود؛ بنابراین ضروری است پارامترهای مدل رگرسیون بردار پشتیبان به‌صورت مناسب انتخاب شوند و گرایش‌های غیرخطی و فصلی داده‌های نیاز مصرف برق تعدیل شوند. روشی که در پژوهش حاضر پیشنهاد می‌شود، پیوندزدن مدل رگرسیون بردار پشتیبان (svr) با الگوریتم بهینه‌سازی مگس میوه (foa) و تنظیم شاخص فصلی برای پیش‌بینی نیاز مصرف برق ماهانه است. علاوه‌براین، به‌منظور ارزیابی جامع عملکرد پیش‌بینی مدل ترکیبی، نمونه‌ای کوچک از نیاز مصرف برق ماهانه ایران و نمونه بزرگی از تولید برق ماهانه ایران برای نشان‌دادن عملکرد پیش‌بینی بررسی شده است. همچنین در این پژوهش برتری «مدل ترکیبی رگرسیون بردار پشتیبان با الگوریتم بهینه‌سازی مگس میوه با تعدیل گرایش‌های فصلی (sfoasvr)» در مقایسه با سایر مدل‌های شناخته‌شده پیش‌بینی از نظر دقت پیش‌بینی و کم‌بودن خطای پیش‌بینی بررسی شده است. برای این منظور معیارهای ارزیابی ریشه میانگین مربعات خطا (rmse) و میانگین درصد خطای مطلق (mape)، همچنین آزمون ناپارامتری ویلکاکسون صورت می‌گیرد. براساس نتایج، مدل sfoasvr از سایر مدل‌های پیش‌بینی خطای کمتری دارد و درنتیجه گزینه‌ای مناسب برای کاربردهای پیش‌بینی نیاز مصرف برق است.