فاطمه ابراهیمی - کارشناس ارشد مهندسی فناوری اطلاعات، دانشگاه قم
امیر افسر - استادیار و عضو هیئت علمی دانشگاه قم
بهروز مینایی - استادیار وعضو هیئت علمی دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران

پیش بینی بار کوتاه مدت در برنامه ریزی آینده یک سیستم قدرت و همچنین در بازار برق، نقش مهمی ایفا می کند. با توجه به اهمیت پیش بینی بار کوتاه مدت در عملکرد سیستم قدرت و بازار برق، روش های مختلفی برای کاهش خطای آن ارائه شده است. در این مقاله از روش های شبکه عصبی (NN) و تحلیل مولفه اصلی (PCA) جهت پیش بینی بار الکتریکی کوتاه مدت استفاده شده است. ابتدا پارامترهای تاثیر گذار در میزان مصرف انرژی الکتریکی تشخیص داده شده و سپس مهم ترین آن ها انتخاب گردیدند. از آن جایی که روند مصرف در فصل ها و روزهای مختلف، متفاوت می باشد برای پیش بینی بهتر، داده ها به چندین کلاس تقسیم شده اند. سپس مقادیر گذشته بار به همراه اطلاعات وابسته در هر کلاس توسط شبکه های عصبی پرسپترون مربوطه آموزش داده شده اند. در ابتدا از شبکه عصبی جهت پیش بینی استفاده شد و سپس با اعمال تحلیل مولفه اصلی به پارامترهای ورودی، مجدداً این سیستم مورد آزمون قرار گرفت. نتایج نشان داده که هنگام استفاده از تحلیل مولفه اصلی می توانیم به جواب بهتر و قابل قبول تری دست پیدا نماییم و همچنین به دلیل پیچیدگی کمتر در ساختار شبکه عصبی در زمان کوتاه تری به پاسخ مورد نظر دست یابیم.

پیش بینی، پیش بینی بار الکتریکی، شبکه عصبی، تحلیل مولفه اصلی