یک روش ترکیبی پیش‌بینی بلندمدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع تولید فلزات اساسی در حضور داده‌های ناقص

رشد اقتصادی هر کشوری ارتباط زیادی با زیرساخت های زنجیره تامین انرژی الکتریکی و قابلیت دسترسی کم هزینه به آن دارد. بالا بردن تاب آوری زنجیره تامین انرژی الکتریکی جهت قابلیت پاسخگویی به تقاضای لحظه ای مشترکین پرمصرف و استراتژیک چالشی است که بدون در نظر گرفتن پیش بینی بلندمدت تقاضا و برنامه ریزی توسعه یکپارچه این زنجیره ممکن نخواهد بود. در این مقاله یک رویکرد پیش بینی بلندمدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان اصفهان با استفاده از ترکیب تبدیل موجک، شبکه عصبی مبتنی بر یادگیری عمیق (lstm) و در نهایت ادغام نتایج با تکنیک داده کاوی مبتنی بر ماشین یادگیری شدید تنظیم شده پیشنهاد شده است. شرکت مورد مطالعه در این تحقیق از تامین کنندگان اصلی مواد اولیه در زنجیره تامین صنایع تولید فلزات اساسی و یکی از ده صنعت انرژی بر در زنجیره تامین انرژی الکتریکی استان اصفهان است. تنها اطلاعات موجود و در دسترس از این شرکت سری زمانی سیگنال تقاضای تاریخی انرژی الکتریکی این صنعت در یک بازه زمانی 40 ماهه و به صورت 24 ساعته می باشد. داده ها در سری زمانی مورد مطالعه منقطع است به طوریکه فقط 50 درصد از داده ها دارای مقدار و50 درصد مابقی صفر می باشد. این نقصان داده و عدم امکان دسترسی به داده های مکمل و ویژگی های موثر جهت پیش بینی باعث کاهش تراکم داده ها شده و امکان پیش بینی تقاضای بلندمدت را نسبت به سری های زمانی پیوسته با مشکلات بیشتری روبرو می کند. آنالیزآماری بکار رفته نشان داد که داده های سالانه و فصلی از توزیع نرمال پیروی نمی کند و دارای تورش و ناهمگونی بالایی می باشد. روش پیشنهادی و نتایج حاصل از آن با سایر روش های موجود مورد مقایسه قرار گرفته است. نتایج حاصل از 10 تکرار روش های ماشین یادگیری شدید نشان می دهد که تکنیک (relm) با سطح اطمینان بالای 95% از سایر روش های یادگیری ماشین موثر تر و نتایج دقیق تری دارد.

a hybrid method for long-term demand forecasting in the electrical energy supply chain of basic metal production industries in the presence of incomplete data

the economic growth of any country has a lot to do with the infrastructure of the electrical energy supply chain and the ability to access it at low cost. increasing the resilience of the electric energy supply chain in order to be able to respond to the real time demand of high-consumption and strategic consumers is a challenge that will not be possible without considering long-term demand forecasting and integrated development planning of this chain. this paper presents a long-term demand forecasting approach in the electrical energy supply chain of isfahan's espidan iron stone industries. this approach is a combination of wavelet transform, long short-term memory (lstm) network and finally integrating the results with data-mining technique based on machine learning. the company studied in this research is one of the main suppliers of raw materials in the supply chain of basic metal production industries and one of the ten energy-intensive industries in the electrical energy supply chain of isfahan province. the only information available from this company is the daily time series signal of the historical electrical energy demand of this industry in a period of 40 months. the data in the studied time series is interrupted so that only 50% of the data has a value and the remaining 50% is zero. this lack of data and the impossibility of access to supplementary data and effective features for forecasting has reduced the density of data and the possibility of long-term demand forecasting faces more problems than continuous time series. the used statistical analysis showed that the annual and seasonal data do not follow the normal distribution and have high distortion and heterogeneity. the proposed method and its results have been compared with other available approaches. the results of 10 iterations of extreme learning machine methods show that the relm technique with a high confidence level of 95% is more effective than other machine learning methods and has more accurate results.