چکیده:
آگاهی از میزان تقاضای انرژی برق در هر دوره، به منظور برنامه ریزی دقیق و اعمال سیاستگذاری های لازم، امری ضروری است. از این رو، پیش بینی تقاضای آن، برای بخش های مختلف اقتصادی حائز اهمیت است. در این مقاله به مطالعه ی تطبیقی روش های غیرخطی شبکه های عصبی مصنوعی و تبدیل موجک- شبکه ی عصبی و فرایند خطی ARMAدر پیش بینی تقاضای روزانه برق در بازه ی زمانی یک تا ده گام به جلو پرداخته شده است. نتایج حاصل از به کارگیری معیارهای سنجش RMSE و MAPE نشان داد که مدل های غیرخطی تبدیل موجک و شبکه ی عصبی پیشخور، نسبت به مدل ARMA، در پیش بینی روزانه تقاضای برق کشور از دقت بالایی برخوردار است.
Aware from electricity consumption in each period is necessary to Wright planning for main policy making. Therefore its demand forecasting is important between economic various sections. in this paper، was surveyed the comparative study of nonlinear manners of Artificial Neural Network and Wavelet Transform and liner process of ARMA in forecasting the electricity daily demand in time distance since one step to ten step ahead. The results presented the artificial neural network and wavelet transform on base of RMSE and MAPE indicators have high accuracy than ARMA in forecasting the electricity daily demand.
خلاصه ماشینی:
"در این مقاله به مطالعهی تطبیقی روشهای غیرخطی شبکههای عصبی مصنوعی و تبدیل موجک- شبکهی عصبی و فرایند خطی ARMAدر پیشبینی تقاضای روزانه برق در بازهی زمانی یک تا دهگام به جلو پرداخته شده است.
نتایج حاصل از به کارگیری معیارهای سنجش RMSE و MAPE نشان داد که مدلهای غیرخطی تبدیل موجک و شبکهی عصبی پیشخور، نسبت به مدل ARMA، در پیش بینی روزانه تقاضای برق کشور از دقت بالایی برخوردار است.
از طرف دیگر متوسلی و طالب کاشفی (1385) در پیش بینی قیمت سهام ده روز آینده چهل شرکت فعال در بورس اوراق بهادار تهران نشان دادند که مدلهای خطی ARIMA به طور معنیداری نسبت به مدلهای شبکه عصبی نتایج بهتری ارائه نموده است.
این تحقیق در واقع یک مرور و ارزیابی کلی نسبت به تحقیقات انجام شده در مورد پیشبینی تقاضای برق از سال 1991 تا 1999 است که به مشکلات، نقاط ضعف و قوت شبکههای عصبی مصنوعی نسبت به مدلهای دیگر نیز اشاره مینماید.
نمودار 1: تقاضای روزانه برق کشور (27/6/1384 تا 12/9/1388) مأخذ: مدیریت شبکه برق ایران 4- شبکههای عصبی، تبدیل موجک، مدل پیشنهادی و ARIMA 4- 1- شبکههای عصبی در سالهای اخیر روشهای قابل توجهی در آزمایش و مدلسازی سریهای زمانی رشد پیدا کرده است.
Wavelet Decomposition Neural Network نمودار 6: ساختار استفاده از تبدیل موجک مأخذ: یافتههای تحقیق 4-3- مدل خطی ARIMA فرآیند ARIMA(P,d,q) برای متغیر x را میتوان به صورت رابطهی (4) نشان داد: (4) (5) که در آن f(t) روند زمانی را (در صورت وجود) در برآورد میکند."