محمدرضا امین ناصری - دانشگاه تربیت مدرس - دانشکده فنی و مهندسی - بخش مهندسی صنایع
علیرضا سروش - دانشگاه تربیت مدرس - دانشکده فنی و مهندسی - بخش مهندسی صنایع

اقتصاد دنیای صنعتی و رقابتی امروز بشدت متکی به انرژی الکتریکی است . همچنین کلیه شئونات زندگی امروز به تولید برق وابسته است . از آنجاییکه انرژی الکتریکی قابل ذخیره سازی نیست و تولید بیشتر یا کمتراز حد میزان مصرف خساراتی را در پی دارد، از این جهت برنامه ریزی برای میزان تولید انرژی الکتریکی و بویژه پیک بار الکتریکی یکی از مهمترین عملیاتهای زمانبندی تولید برق برای روز بعد است . در این مقاله، ابتدا جهت کاهش نویز پیش بینی، نقشه خودسازماندهی به منظور دسته بندی داده ها براساس مشخصه های پیک بار مصرفی و دمای مشابه طراحی شده است و داده های نزدیک به یکدیگر در گروههای یکسان قرار داده شده اند . آنگاه، با بکارگیری شاخص دیویس - بولدین جهت تعیین تعداد دسته ها، بهترین حالت دسته بندی با استفاده از 5 دسته حاصل شده است . سپس از شبکه خودسازمانده دیگری برای تقسیم بندی هریک از دسته ها براساس مشخصه پیک بار استفاده شده است . به این ترتیب 5 دسته حاصل از شبکه خودسازمانده اول به 12 دسته جهت پیش بینی پیک بار مصرفی تبدیل شده است . سپس جهت پیش بینی پیک بار، شبکه عصبی پیشخوراند مبتنی بر روشهای شیب مزدوج استفاده شده است . این مدل برروی داده های پیک بارمصرفی شرکت برق منطقه ای تهران اجرا و ارزیابی شده است . نتایج پیش بینی نشان می دهد که دسته بندی داده ها موجب بهبود پیش بینی شده است .

پیش بینی - پیک بار روزانه - شبکه نقشه خودسازمانده - شبکه عصبی پیشخوراند - روشهای شیب مزدوج