دوره ۳۸، شماره ۱ - ( ۵-۱۳۹۸ )
جلد ۳۸ شماره ۱ صفحات ۱۲۹-۱۱۹ |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Khashei M, Chahkoutahi F. Electricity Load Forecasting by Combining Adaptive Neuro-fuzzy Inference System and Seasonal Auto-Regressive Integrated Moving Average. Computational Methods in Engineering 2019; 38 (1) :119-129
URL: http://jcme.iut.ac.ir/article-1-672-fa.html
URL: http://jcme.iut.ac.ir/article-1-672-fa.html
خاشعی مهدی، چاهکوتاهی فاطمه. پیش‌بینی بار الکتریکی با به‌کارگیری مدل‌های ترکیبی سیستم‌های فازی- عصبی و
خودرگرسیون میانگین متحرک انباشته فصلی
. روشهای عددی در مهندسی. ۱۳۹۸; ۳۸ (۱) :۱۱۹-۱۲۹
۱- دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه صنعتی اصفهان، اصفهان ، khashei@cc.iut.ac.ir
۲- دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه صنعتی اصفهان، اصفهان
۲- دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه صنعتی اصفهان، اصفهان
چکیده: (۳۲۷۲ مشاهده)
امروزه پیش‌بینی تقاضای الکتریسیته به‌عنوان یکی از مهم‌ترین حوزه‌های پیش‌بینی، نقشی اساسی در فرایند تصمیم‌گیری‌های اقتصادی دارد. آنچه که الکتریسیته را از سایر کالاها متمایز می‌سازد عدم امکان ذخیره‌سازی آن در مقیاس وسیع، هزینه‌بر و زمان‌بر بودن ساخت نیروگاه‌های جدید تولید و توزیع برق است. همچنین وجود روند نوسانی و غیرخطی و همچنین ابهام و پیچیدگی در داده‌های الکتریسیته موجب شده که استفاده از مدل‌های معمول پیش‌بینی تقاضای الکتریسیته کارامد نباشند. لذا ارائه مدل‌های جدید با استفاده از ابزارهای هوش محاسباتی و محاسبات نرم و ترکیب مدل‌ها از جمله دقیق‌ترین و پرکاربردترین روشهای حال حاضر به‌منظور مدل‌سازی پیچیدگی و عدم قطعیت موجود در داده‌ها هستند. لذا در این مقاله یک مدل ترکیبی بهینه موازی با استفاده از ابزارهای هوش محاسباتی و محاسبات نرم، به‌منظور پیش‌بینی بار الکتریکی ارائه می‌شود. روش ترکیبی ارائه شده در این مقاله بر اساس روشهای خودگرسیون میانگین متحرک انباشته فصلی و سیستم‌های استنتاج فازی- عصبی است. ایده اصلی ارائه روشهای ترکیبی، استفاده همزمان از مزایای مدل‌های تکی در مدل‌سازی سیستم‌های پیچیده در یک ساختار و همچنین غلبه بر محدودیت‌های مدل‌های تکی است. نتایج حاصل نشان می‌دهد که روش ترکیبی پیشنهادی عملکرد ضعیف‌تری نسبت به سایر روشهای ترکیبی تکراری شبه بهینه نداشته و همچنین هزینه محاسباتی آن کمتر از این گونه از روش‌ها دارد. علاوه بر این، روش پیشنهادی توانسته است نتایج دقیق‌تری در مقایسه با مدل‌های تشکیل‌دهنده خود و همچنین برخی از روشهای ترکیبی فصلی به‌دست آورد.
واژه‌های کلیدی: ابزارهای هوش محاسباتی و محاسبات نرم، پیش‌بینی سری‌های زمانی فصلی، بار الکتریکی، سیستم‌های استنتاج فازی-عصبی (ANFIS)، خودرگرسیون میانگین متحرک انباشته فصلی (SARIMA)
ارسال پیام به نویسنده مسئول
