پیش بینی بار الکتریکی با به کارگیری مدل های ترکیبی سیستم های فازی- عصبی و خودرگرسیون میانگین متحرک انباشته فصلی

امروزه پیش بینی تقاضای الکتریسیته به عنوان یکی از مهم ترین حوزه های پیش بینی، نقشی اساسی در فرایند تصمیم گیری های اقتصادی دارد. آنچه که الکتریسیته را از سایر کالاها متمایز می سازد عدم امکان ذخیره سازی آن در مقیاس وسیع، هزینه بر و زمان بر بودن ساخت نیروگاه های جدید تولید و توزیع برق است. همچنین وجود روند نوسانی و غیرخطی و همچنین ابهام و پیچیدگی در داده های الکتریسیته موجب شده که استفاده از مدل های معمول پیش بینی تقاضای الکتریسیته کارامد نباشند. لذا ارائه مدل های جدید با استفاده از ابزارهای هوش محاسباتی و محاسبات نرم و ترکیب مدل ها از جمله دقیق ترین و پرکاربردترین روش های حال حاضر به منظور مدل سازی پیچیدگی و عدم قطعیت موجود در داده ها هستند. لذا در این مقاله یک مدل ترکیبی بهینه موازی با استفاده از ابزارهای هوش محاسباتی و محاسبات نرم، به منظور پیش بینی بار الکتریکی ارائه می شود. روش ترکیبی ارائه شده در این مقاله بر اساس روش های خودگرسیون میانگین متحرک انباشته فصلی و سیستم های استنتاج فازی- عصبی است. ایده اصلی ارائه روش های ترکیبی، استفاده همزمان از مزایای مدل های تکی در مدل سازی سیستم های پیچیده در یک ساختار و همچنین غلبه بر محدودیت های مدل های تکی است. نتایج حاصل نشان می دهد که روش ترکیبی پیشنهادی عملکرد ضعیف تری نسبت به سایر روش های ترکیبی تکراری شبه بهینه نداشته و همچنین هزینه محاسباتی آن کمتر از این گونه از روش ها دارد. علاوه بر این، روش پیشنهادی توانسته است نتایج دقیق تری در مقایسه با مدل های تشکیل دهنده خود و همچنین برخی از روش های ترکیبی فصلی به دست آورد.