پيش‌بيني مصرف برق ايران با استفاده از تبديل ويولت و روش تركيبي بهينه شده با الگوريتم BPSO

Forecasting Iran s Electric Load Consumption using Wavelet transform and combined method optimized by BPSO

پيش بيني كوتاه مدت بار الكتريكي، نقش مهمي را در مديريت انرژي سيستم‌هاي قدرت ايفا مي‌كند. با توجه به اين‌كه عوامل زيادي بر روي ميزان مصرف انرژي الكتريكي تاثير مي‌گذارند، ارائه‌ روشي مناسب براي پيش‌بيني بار كوتاه مدت امري ضروري است. در اين مقاله، روش جديدي به منظور پيش‌بيني كوتاه مدت بار الكتريكي، با استفاده از تركيب تبديل موجك، مدل خودرگسيوني ميانگين متحرك انباشتة فصلي شبكة عصبي انتشار بازگشتي و الگوريتم بهينه‌سازي اجتماع ذرات باينري ، ارائه شده است. خروجي روش STLF ارائه شده به صورت تركيب وزني از خروجي‌هاي دو روش SARIMA و BPNNاست. براي تعيين ضرايب وزني از روش بهينه‌سازي اجتماع ذرات استفاده شده است. روش پيشنهادي بر روي شبكة ايران مورد آزمايش گرفته است. نتايج شبيه‌سازي مويد كارايي روش پيشنهادي مي‌باشند.

Short term electric load forecasting plays an important role in energy management of power systems. Since, many factors affect the amount of electricity consumption, proposing a suitable method for forecasting short term electric load is necessary. In this paper, a new method is presented for forecasting short term electric load using combination of wavelet transform, Seasonal Autoregressive integrated moving average (SARIMA), Back Propagation Neural Network (BPNN), Binary Particle Swarm Optimization (BPSO). The weighted combination of outputs of SARIMA and BPNN is considered as the output of the presented STLF method. The BPSO is used to determine the weight coefficients. In order to evaluate the proposed method, it is applied on the Irans network. Simulation results approve the efficiency of the proposed method.