بکارگیری مدل های ترکیبی کلاسیک هوشمند به منظور مدل سازی الگوهای فصلی تقاضای الکتریسیته در افق کوتاه مدت
Publish place: دومین کنفرانس بین المللی مهندسی صنایع و مدیریت
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 625
This Paper With 10 Page And PDF and WORD Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
INDUSTRIAL01_174
تاریخ نمایه سازی: 21 شهریور 1395
Abstract:
پیش بینی تقاضای الکتریسته یکی از مهمترین فاکتورهای موثر در فرایندهای تصمیم گیری مدیران مالی و عملیاتی نیروگاه های تولید و توزیع الکتریسته می باشد. مشخصه منحصربه فرد الکتریسته در تقابل با سایر کالاهای تولیدی، عدم امکان ذخیره سازی آن به منظور مصرف در آینده می باشد. به عبارت دیگر، تولید و مصرف الکتریسته می بایست به صورت همزمان صورت پذیرند. شاید این مهمترین عاملی است که باعث گردیده تا ارائه مدل های جدید پیش بینی تقاضای الکتریسیته هرگز در ادبیات موضوع متوقف نگردد. در این مقاله، یک مدل جدید پیش بینی از ترکیب مدل های کلاسیک فصلی و مدل های هوش محاسباتی ارائه گردیده است. ایده اصلی مدل پیشنهادی استفاده همزمان از مزایای مدل های مذکور در مدل سازی های خطی و غیر خطی می باشد. نتایج حاصله بیانگر برتری اکید روش پیشنهادی نسبت به مدل های کلاسیک همچون خودرگرسیون میانگین متحرک انباشته فصلی(SARIMA) و رگرسیون خطی چندگانه (MLR) و همچنین شبکه های عصبی مصنوعی (ANN) همچون پرسپترون های چندلایه (MLP) و ماشین های بردار پشتیبان (SVM) بوده است.
Keywords:
پیش بینی تقاضای الکتریسته , مدل سازی الگوهای فصلی , شبکه های عصبی مصنوعی (ANN) , خودرگرسیون میانگین متحرک انباشته فصلی(SARIMA) , مدل های ترکیبی
Authors
فاطمه چاهکوتاهی
دانشجوی کارشناسی ارشد مهندسی صنایع، دانشکده مهندسی صنایع و سیستم ها، دانشگاه صنعتی اصفهان
مهدی خاشعی
عضو هیأت علمی دانشکده مهندسی صنایع و سیستم ها، دانشگاه صنعتی اصفهان
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :