ترکیب مدل ARMAX-EGARCH و WNN-FOA با تجزیه داده ها توسط روش improved empirical mode decomposition برای پیش بینی کوتاه مدت بار الکتریسیته در بازار برق
- سال انتشار: 1398
- محل انتشار: شانزدهمین کنفرانس بین المللی مهندسی صنایع
- کد COI اختصاصی: IIEC16_012
- زبان مقاله: فارسی
- تعداد مشاهده: 792
نویسندگان
گروه مهندسی صنایع، دانشگاه آزاد اسلامی واحد تهران مرکزی، تهران، ایران
گروه مهندسی صنایع، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران
گروه مهندسی برق، دانشگاه شهید بهشتی، تهران، ایران
چکیده
پیش بینی بار الکتریسیته یکی ازمباحث مطرح شده در برنامه ریزی انرژی (EPMs) میباشد. در این مبحث انواع مدل های مختلف برای پیش بینی بار الکتری سیته در دوره های زمانی ب سیار کوتاه مدت، کوتاه مدت، میان مدت و بلند مدت ارائه شده ا ست که هدف نهایی آن پیش بینی با بالاترین دقت میباشد. تحقیقات صورت گرفته درخصوص پیش بینی کوتاه مدت بار الکتریسیته (STLF) را می توان به سه دسته کلی پیش بینی بار الکتریسیته با روش های آماری، هوش مصنوعی و مدلهای ترکیبی تقسیم بندی کرد. در این مقاله برای افزایش دقت در پیش بینی بار الکتریسیته از مدل ترکیبی جدیدی استفاده شده است که در آن داده ها با روش improved empirical mode decomposition (IEMD) تجزیه میشود و مولفه خطی آن با مدل moving average with exogenous terms-exponential generalized autoregressive conditional heteroscedasticity autoregressive (ARMAX-EGARCH) و مولفه غیرخطی آن با مدل-Wavelet-Neural Network- fruit fly optimization Algorithm (WNN FOA) تحلیل می شود. در نهایت نتایج تحلیل های مولفه های خطی و غیرخطی بایکدیگر جمع شده تا مقادیر نهایی پیش بینی بار الکتری سیته حاصل گردد. برای بررسی نحوه عملکرد مدل هدف، پیش بینی بار الکتری سیته با استفاده از این مدل و مدل های موجود و با بکارگیری داده های مربوط به تقاضا بارالکتریسیته و فاکتور دمای هوا از بازار برق اسپانیا، ایران و استرالیا صورت گرفته است. نتایج نشان میدهد دقت پیش بینی مدل هدف نسبت به مدل های موجود بهبود یافته است.کلیدواژه ها
STLF, IEMD, ARMAX, EGARCH, Wavelet, Neural network, FOAمقالات مرتبط جدید
- نهان کاوی صوتی براساس مدل psychoacoustic معکوس شنیداری انسان
- اهمیت و جایگاه هوش مصنوعی و لجستیک بحران در حملات بیوتروریستی
- بهینه سازی سبد سهام بورس اوراق بهادار تهران با استفاده از الگوریتم ژنتیک
- بررسی چالش های امنیتی و راهکارهای آن در پایگاه داده های NoSQL و کلان داده ها
- طراحی مدل تخصیص هواپیماها به مسیر جهت حداکثر کردن سود مورد انتظار با در نظر گیری عدم قطعیت در تقاضا
اطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.