پیشبینی کوتاهمدت تقاضای فصلی الکتریسیته با استفاده از مدلهای ترکیبی هوشمند نرم

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 پیشبینی را 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. نتایج نشاندهندهی دقت بالاتر روش پیشنهادی نسبت به سایر مدلهاست.

کلیدواژه ها:

ابزارهای هوش محاسباتی و محاسبات نرم ، پیشبینی سریهای زمانی ، تقاضای فصلی الکتریسیته ، پرسپترونهای چندلایه (MLP) ، خودرگرسیون میانگین متحرک انباشتهی فصلی (SARIMA)