بکارگیری مدل های ترکیبی کلاسیک هوشمند به منظور مدل سازی الگوهای فصلی تقاضای الکتریسیته در افق کوتاه مدت

پیش بینی تقاضای الکتریسته یکی از مهمترین فاکتورهای موثر در فرایندهای تصمیم گیری مدیران مالی و عملیاتی نیروگاه های تولید و توزیع الکتریسته می باشد. مشخصه منحصربه فرد الکتریسته در تقابل با سایر کالاهای تولیدی، عدم امکان ذخیره سازی آن به منظور مصرف در آینده می باشد. به عبارت دیگر، تولید و مصرف الکتریسته می بایست به صورت همزمان صورت پذیرند. شاید این مهمترین عاملی است که باعث گردیده تا ارائه مدل های جدید پیش بینی تقاضای الکتریسیته هرگز در ادبیات موضوع متوقف نگردد. در این مقاله، یک مدل جدید پیش بینی از ترکیب مدل های کلاسیک فصلی و مدل های هوش محاسباتی ارائه گردیده است. ایده اصلی مدل پیشنهادی استفاده همزمان از مزایای مدل های مذکور در مدل سازی های خطی و غیر خطی می باشد. نتایج حاصله بیانگر برتری اکید روش پیشنهادی نسبت به مدل های کلاسیک همچون خودرگرسیون میانگین متحرک انباشته فصلی(SARIMA) و رگرسیون خطی چندگانه (MLR) و همچنین شبکه های عصبی مصنوعی (ANN) همچون پرسپترون های چندلایه (MLP) و ماشین های بردار پشتیبان (SVM) بوده است.

کلیدواژه ها:

پیش بینی تقاضای الکتریسته ، مدل سازی الگوهای فصلی ، شبکه های عصبی مصنوعی (ANN) ، خودرگرسیون میانگین متحرک انباشته فصلی(SARIMA) ، مدل های ترکیبی