یک روش ترکیبی پیش بینی بلندمدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع تولید فلزات اساسی در حضور داده های ناقص

رشد اقتصادی هر کشوری ارتباط زیادی با زیرساخت­های زنجیره تامین انرژی الکتریکی و قابلیت دسترسی کم­هزینه به آن دارد. بالا بردن تاب­آوری زنجیره تامین انرژی الکتریکی جهت قابلیت پاسخگویی به تقاضای لحظه­ای مشترکین پرمصرف و استراتژیک چالشی است که بدون در نظر گرفتن پیش­بینی بلندمدت تقاضا و برنامه­ریزی توسعه یکپارچه این زنجیره ممکن نخواهد بود. در این مقاله یک رویکرد پیش­بینی بلندمدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان اصفهان با استفاده از ترکیب تبدیل موجک، شبکه عصبی مبتنی بر یادگیری عمیق (LSTM) و در نهایت ادغام نتایج با تکنیک داده­کاوی مبتنی بر ماشین یادگیری شدید تنظیم شده پیشنهاد شده است. شرکت مورد مطالعه در این تحقیق از تامین­کنندگان اصلی مواد اولیه در زنجیره تامین صنایع تولید فلزات اساسی و یکی از ده صنعت انرژی­بر در زنجیره تامین انرژی­الکتریکی استان اصفهان است. تنها اطلاعات موجود و در دسترس از این شرکت سری زمانی سیگنال تقاضای تاریخی انرژی الکتریکی این صنعت در یک بازه زمانی ۴۰ ماهه و به­صورت ۲۴ ساعته می­باشد. داده­ها در سری زمانی مورد مطالعه منقطع است به­طوریکه فقط ۵۰ درصد از داده­ها دارای مقدار و۵۰ درصد مابقی صفر می­باشد. این نقصان داده و عدم امکان دسترسی به داده­های مکمل و ویژگی­های موثر جهت پیش­بینی باعث کاهش تراکم داده­ها شده و امکان پیش­بینی تقاضای بلندمدت را نسبت به سری­های زمانی پیوسته با مشکلات بیشتری روبرو می­کند. آنالیزآماری بکار رفته نشان داد که داده­های سالانه و فصلی از توزیع نرمال پیروی نمی­کند و دارای تورش و ناهمگونی بالایی می­باشد. روش پیشنهادی و نتایج حاصل از آن با سایر روش­های موجود مورد مقایسه قرار گرفته است. نتایج حاصل از ۱۰ تکرار روش­های ماشین یادگیری شدید نشان می­دهد که تکنیک (RELM) با سطح اطمینان بالای ۹۵% از سایر روش­های یادگیری ماشین موثر­تر و نتایج دقیق­تری دارد.

Keywords:

تبدیل موجک , حافظه کوتاه مدت بلند , ماشین یادگیری شدید تنظیم شده , پیش بینی بلند مدت , زنجیره تامین انرژی الکتریکی , میانگین مطلق درصد خطا