یک روش ترکیبی پیش بینی بلندمدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع تولید فلزات اساسی در حضور داده های ناقص
عنوان مقاله: یک روش ترکیبی پیش بینی بلندمدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع تولید فلزات اساسی در حضور داده های ناقص
شناسه ملی مقاله: JR_TEEGES-2-1_006
منتشر شده در در سال 1402
شناسه ملی مقاله: JR_TEEGES-2-1_006
منتشر شده در در سال 1402
مشخصات نویسندگان مقاله:
سپهر معلم - دانشکده مهندسی صنایع، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
رویا محمدعلی پوراهری - دانشکده مهندسی صنایع، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
غضنفر شاهقلیان - دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
مجید معظمی - دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
سید محمد کاظمی - دانشکده مهندسی صنایع، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
خلاصه مقاله:
سپهر معلم - دانشکده مهندسی صنایع، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
رویا محمدعلی پوراهری - دانشکده مهندسی صنایع، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
غضنفر شاهقلیان - دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
مجید معظمی - دانشکده مهندسی برق، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
سید محمد کاظمی - دانشکده مهندسی صنایع، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
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.
کلمات کلیدی: تبدیل موجک, حافظه کوتاه مدت بلند, ماشین یادگیری شدید تنظیم شده, پیش بینی بلند مدت, زنجیره تامین انرژی الکتریکی, میانگین مطلق درصد خطا
صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1634297/