يك روش تركيبي پيش‌بيني بلندمدت تقاضا در زنجيره تأمين انرژي الكتريكي صنايع توليد فلزات اساسي در حضور داده‌هاي ناقص

رشد اقتصادي هر كشوري ارتباط زيادي با زيرساخت هاي زنجيره تأمين انرژي الكتريكي و قابليت دسترسي كم هزينه به آن دارد. بالا بردن تاب آوري زنجيره تأمين انرژي الكتريكي جهت قابليت پاسخگويي به تقاضاي لحظه اي مشتركين پرمصرف و استراتژيك چالشي است كه بدون در نظر گرفتن پيش بيني بلندمدت تقاضا و برنامه ريزي توسعه يكپارچه اين زنجيره ممكن نخواهد بود. در اين مقاله يك رويكرد پيش بيني بلندمدت تقاضا در زنجيره تأمين انرژي الكتريكي صنايع سنگ آهن اسپيدان اصفهان با استفاده از تركيب تبديل موجك، شبكه عصبي مبتني بر يادگيري عميق (LSTM) و در نهايت ادغام نتايج با تكنيك داده كاوي مبتني بر ماشين يادگيري شديد تنظيم شده پيشنهاد شده است. شركت مورد مطالعه در اين تحقيق از تأمين كنندگان اصلي مواد اوليه در زنجيره تأمين صنايع توليد فلزات اساسي و يكي از ده صنعت انرژي بر در زنجيره تأمين انرژي الكتريكي استان اصفهان است. تنها اطلاعات موجود و در دسترس از اين شركت سري زماني سيگنال تقاضاي تاريخي انرژي الكتريكي اين صنعت در يك بازه زماني 40 ماهه و به صورت 24 ساعته مي باشد. داده ها در سري زماني مورد مطالعه منقطع است به طوريكه فقط 50 درصد از داده ها داراي مقدار و50 درصد مابقي صفر مي باشد. اين نقصان داده و عدم امكان دسترسي به داده هاي مكمل و ويژگي هاي مؤثر جهت پيش بيني باعث كاهش تراكم داده ها شده و امكان پيش بيني تقاضاي بلندمدت را نسبت به سري هاي زماني پيوسته با مشكلات بيشتري روبرو مي كند. آناليزآماري بكار رفته نشان داد كه داده هاي سالانه و فصلي از توزيع نرمال پيروي نمي كند و داراي تورش و ناهمگوني بالايي مي باشد. روش پيشنهادي و نتايج حاصل از آن با ساير روش هاي موجود مورد مقايسه قرار گرفته است. نتايج حاصل از 10 تكرار روش هاي ماشين يادگيري شديد نشان مي دهد كه تكنيك (RELM) با سطح اطمينان بالاي 95% از ساير روش هاي يادگيري ماشين مؤثر تر و نتايج دقيق تري دارد.