استفاده ‎از خوشه‎بندی‌های پیاپی نقشه خودسازمانده برای بهبود پیش‌بینی پیک ‎بار الکتریکی روزانه مبتنی بر شبکه‌های عصبی پیشخوراند

Abstract

این مقاله یک مدل شبکه عصبی تلفیقی برای پیش‌بینی پیک بار الکتریکی(PLF) روزانه ارائه می‌کند. از آنجاییکه الگوهای مشابهی در داده‎های پیک بار وجود دارد، خوشه‎بندی داده‎ها دقت پیش‎بینی‎ها را افزایش خواهد داد. اکثر خوشه‎بندیهای ارائه شده در ادبیات بدون دلیل و صرفاَ شهودی بوده‎اند. در این مقاله، ما رویکرد جدیدی برای خوشه‎بندی داده‎ها با استفاده از دو نقشه خودسازمانده پیاپی ارائه می‌کنیم. یک شبکه عصبی پیشخوراند(FFNN) برای هر یک از خوشه‎ها جهت پیش‎بینیPLF توسعه داده شده است. جهت ارزیابی اثربخشی مدل تلفیقی پیشنهادی، پیش‎بینی بوسیله توسعه یک شبکه عصبی پیشخوراند که از داده‎های خوشه‎بندی نشده استفاده می‌کند، انجام شده است. نتایج برتری اثربخشی مدل تلفیقی پیشنهادی را ثابت می‌کند. همچنین، مدلهای رگرسیون خطی برای PLF توسعه داده شده است و نتایج نشان می‌دهد که مدل تلفیقی پیشنهادی به میزان قابل‎توجهی، پیش‎‎بینی‎های بهتری را نسبت به مدلهای رگرسیون خطی تلفیقی تولید می‌کند. لازم بذکر است که از داده‌های پیک بار شرکت برق منطقه‌ای تهران جهت آزمایش و اعتبارسنجی مدل استفاده شده است.