|
|
|
|
پیش‌بینی کوتاه‌مدت تقاضای فصلی الکتریسیته با استفاده از مدل‌های ترکیبی هوشمند نرم
|
|
|
|
|
|
|
|
نویسنده
|
چاهکوتاهی فاطمه ,خاشعی مهدی
|
|
منبع
|
مهندسي صنايع و مديريت شريف - 1398 - دوره : 35-1 - شماره : 1/2 - صفحه:113 -121
|
|
چکیده
|
روش‌های پیش‌بینی از کارآمدترین ابزارهای موجود به‌منظور اتخاذ تصمیمات مدیریتی در حوزه‌های مختلف علوم هستند. دقت پیش‌بینی‌ها یکی از مهم‌ترین عامل‌های موثر بر کیفیت تصمیمات اتخاذی است که رابطه‌ی مستقیمی با کیفیت این تصمیمات دارند. پیش‌بینی تقاضای الکتریسته یکی از چالش‌برانگیزترین حوزه‌های پیش‌بینی است. مشخصه‌ی منحصربه فرد الکتریسته، که پیش‌بینیرا در مقایسه با سایر کالاهای تولیدی دشوارتر می‌سازد، عدم امکان ذخیره‌سازی آن به‌منظور مصرف در آینده است. این موضوع سبب ایجاد سطح بالایی از ابهام در داده‌های مرتبط با این‌گونه از بازارها می‌شود. ابزارهای هوش محاسباتی و محاسبات نرم از جمله دقیق‌ترین روش‌های حال حاضر به‌منظور مدل‌سازی عدم قطعیت موجود در داده‌ها هستند. در این مقاله، با ترکیب روش‌های مذکور، یک روش هوشمند نرم به‌منظور پیش‌بینی الکتریسیته ارائه شده است. ایده‌ی اصلی مدل استفاده‌ی هم‌زمان از مزایای ابزارهای هوش محاسباتی و محاسبات نرم در مدل‌سازی سیستم‌های پیچیده است. نتایجنشان‌دهنده‌ی دقت بالاتر روش پیشنهادی نسبت به سایر مدل‌هاست.
|
|
کلیدواژه
|
ابزارهای هوش محاسباتی و محاسبات نرم، پیش‌بینی سری‌های زمانی، تقاضای فصلی الکتریسیته، پرسپترون‌های چندلایه (mlp)، خودرگرسیون میانگین متحرک انباشته‌ی فصلی (sarima)
|
|
آدرس
|
دانشگاه صنعتی اصفهان, دانشکده مهندسی صنایع و سیستم‌ها, ایران, دانشگاه صنعتی اصفهان, دانشکده مهندسی صنایع و سیستم‌ها, ایران
|
|
پست الکترونیکی
|
khashei@cc.iut.ac.ir
|
|
|
|
|
|
|
|
|
|
|
|
|
|
SHORT TERM SEASONAL FORECASTING OF ELECTRICITY DEMAND USING SOFT INTELLIGENT HYBRID MODELS
|
|
|
|
|
Authors
|
|
|
Abstract
|
Forecasting methods are one of the most efficient available approaches to make managerial decisions in various fields of science. Forecasting is a powerful approach in the planning process, policy choices and economic performance. The accuracy of forecasting is an important factor affects the quality of the decisions that generally has direct and nonstrict relationship with the quality of decisions. This is the most important reason that why endeavor for improving the forecasting accuracy has never been stopped in the literature. Electricity demand forecasting is one of the most challenging areas forecasting and important factors in the management of energy systems and economic performance. Determining the level of electricity demand is essential for careful planning and implementation of the necessary policies. For this reason electricity demand forecasting is important for financial and operational managers of electricity distribution. The unique feature of the electricity which makes it more difficult forecasting in comparison with other commodity is the impossibility of storing it in order to use in the future. In other words, the production and consumption of electricity should be taken simultaneously. It has caused to create a high level of complexity and ambiguity in electricity markets data. Computational intelligence and soft computing approaches are among the most precise and useful methods for modeling the complexity and uncertainty in data. In this paper a soft intelligent method by combining mentioned methods is proposed in order to electricity demand forecasting. The main idea of the proposed model is to simultaneously use advantages of these models in modeling complex and ambiguous systems. Empirical results indicate that proposed model can achieve more accurate results rather than its component (Seasonal autoregressive Integrated Moving Average models, artificial neural network) and also other current single forecasting methods such as classic regression, Seasonal AutoRegressive Integrated Moving Averagefuzzy models and support vector machine.
|
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|