پيش‌بيني بار الكتريكي با به‌كارگيري مدل‌هاي تركيبي سيستم‌هاي فازي- عصبي و خودرگرسيون ميانگين متحرك انباشته فصلي

Electricity Load Forecasting by Combining Adaptive Neuro-fuzzy Inference System and Seasonal Auto-Regressive Integrated Moving Average

امروزه پيش‌بيني تقاضاي الكتريسيته به‌عنوان يكي از مهم‌ترين حوزه‌هاي پيش‌بيني، نقشي اساسي در فرايند تصميم‌گيري‌هاي اقتصادي دارد. آنچه كه الكتريسيته را از ساير كالاها متمايز مي‌سازد عدم امكان ذخيره‌سازي آن در مقياس وسيع، هزينه‌بر و زمان‌بر بودن ساخت نيروگاه‌هاي جديد توليد و توزيع برق است. همچنين وجود روند نوساني و غيرخطي و همچنين ابهام و پيچيدگي در داده‌هاي الكتريسيته موجب شده كه استفاده از مدل‌هاي معمول پيش‌بيني تقاضاي الكتريسيته كارامد نباشند. لذا ارائه مدل‌هاي جديد با استفاده از ابزارهاي هوش محاسباتي و محاسبات نرم و تركيب مدل‌ها از جمله دقيق‌ترين و پركاربردترين روش‌هاي حال حاضر به‌منظور مدل‌سازي پيچيدگي و عدم قطعيت موجود در داده‌ها هستند. لذا در اين مقاله يك مدل تركيبي بهينه موازي با استفاده از ابزارهاي هوش محاسباتي و محاسبات نرم، به‌منظور پيش‌بيني بار الكتريكي ارائه مي‌شود. روش تركيبي ارائه شده در اين مقاله بر اساس روش‌هاي خودگرسيون ميانگين متحرك انباشته فصلي و سيستم‌هاي استنتاج فازي- عصبي است. ايده اصلي ارائه روش‌هاي تركيبي، استفاده همزمان از مزاياي مدل‌هاي تكي در مدل‌سازي‌ سيستم‌هاي پيچيده در يك ساختار و همچنين غلبه بر محدوديت‌هاي مدل‌هاي تكي است. نتايج حاصل نشان مي‌دهد كه روش تركيبي پيشنهادي عملكرد ضعيف‌تري نسبت به ساير روش‌هاي تركيبي تكراري شبه بهينه نداشته و همچنين هزينه محاسباتي آن كمتر از اين گونه از روش‌ها دارد. علاوه بر اين، روش پيشنهادي توانسته است نتايج دقيق‌تري در مقايسه با مدل‌هاي تشكيل‌دهنده خود و همچنين برخي از روش‌هاي تركيبي فصلي به‌دست آورد.

Nowadays, electricity load forecasting, as one of the most important areas, plays a crucial role in the economic process. What separates electricity from other commodities is the impossibility of storing it on a large scale and cost-effective construction of new power generation and distribution plants. Also, the existence of seasonality, nonlinear complexity, and ambiguity pattern in electricity data set makes it more difficult to forecast by using the traditional methods. Therefore, new models, computational intelligence and soft computing tools and combining models are the most accurate and widely used methods for modeling the complexity and uncertainty in the data set. In this paper, a parallel optimal hybrid model using computational intelligence tools and soft computations is proposed to forecast the electricity load forecasting. The main idea of this model is the use of the advantages of the individual models in the modeling of complex systems in a structure and elimination of the limitations of them, simultaneously. The experimental results indicate that the proposed hybrid model has a higher performance accuracy in comparison to iterative suboptimal hybrid models and its computational cost is lower than the other hybrid models; also, the proposed model can achieve more accurate results, as compared with its component and some other seasonal hybrid models.