پيش‌بيني بار الكتريكي با بكارگيري مدل‌هاي تركيبي پرسپترون‌هاي چندلايه و خودرگرسيون ميانگين متحرك انباشته فصلي

Electricity load forecasting using hybrid models based on Multi-Layer Perceptrons Neural Network and Seasonal Auto-Regressive Integrated Moving Average models

امروزه صرفه‌جويي در زمان و اقتصاد يك كشور نيازمند برنامه‌ريزي، تصميم‌گيري و پيش‌بيني‌هاي درست و منطقي در حوزه‌هاي مختلف مي‌باشد. يكي از اين حوزه‌هاي مطرح در هر كشور، پيش‌بيني بار الكتريكي مي‌باشد. اين كالا (الكتريسيته) با توجه به اينكه قابل ذخيره‌سازي نمي‌باشد، پيش‌بيني آن با حساسيت بالاتري انجام مي‌گيرد. همچنين علاوه بر غيرقابل ذخيره‌بودن، در مصرف اين كالا الگوهاي مختلفي ديده مي‌شود كه مدل‌سازي آن را با روش‌هاي كلاسيك دشوار مي‌سازد. بنابراين نياز به روشي است كه بتواند الگوهاي موجود در داده‌هاي مرتبط با اين بازار را مدل‌سازي نمايد. در اين مقاله از يك روش تركيبي موازي كه مدل‌هاي كلاسيك خطي را با مدل‌هاي هوش محاسباتي تركيب مي‌كند، استفاده گرديده است. ايده اصلي مدل پيشنهادي، استفاده همزمان از مدل‌هاي مذكور در مدل‌سازي خطي و غيرخطي‌اي كه با الگوهاي فصلي همراهند، مي‌باشد. همچنين نتايج نشان مي‌دهد كه در اين روش به دليل استفاده از يك روش وزن‌دهي مستقيم، هزينه محاسباتي مدل‌سازي آن به‌صورت قابل‌توجهي از ساير روش‌هاي تركيبي موازي پايين‌تر مي‌باشد.

Nowadays, saving time and economy of each country requires proper planning, decision making, and rational forecasts in different areas. One of the most well-known areas that has received a lot of attention is electricity forecasting. The features of the electricity which makes it distinguished from other commodities are the impossibility of storing it and the existence of seasonality and nonlinear and ambiguity pattern in electricity data set. These features of the electricity makes it more difficult to forecast using traditional methods. Therefore, in this paper, a parallel optimal hybrid model using seasonal linear and nonlinear methods is proposed to forecast the electricity load forecasting. The main idea of this model is the use of the advantages of individual models in the modeling of complex systems in a structure, simultaneously. Experimental results indicate that in this method due to the use of a direct weighting method, the computational cost of modeling it is significantly lower than other parallel hybrid methods.