پیش بینی کوتاه مدت تقاضای فصلی الکتریسیته با استفاده از مدل های ترکیبی هوشمند نرم (یادداشت فنی)
ابزارهای هوش محاسباتی و محاسبات نرم,پیش بینی سری های زمانی,تقاضای فصلی الکتریسیته,پرسپترون های چندلایه (MLP),خودرگرسیون میانگین متحرک انباشته ی فصلی (SARIMA)
مهندسی صنایع و مدیریت شریف - Sharif Journal of Industrial Engineering
1398/2019
چکیده
روش های پیش بینی از کارآمدترین ابزارهای موجود به منظور اتخاذ تصمیمات مدیریتی در حوزه های مختلف علوم هستند. دقت پیش بینی ها یکی از مهم ترین عامل های موثر بر کیفیت تصمیمات اتخاذی است که رابطه ی مستقیمی با کیفیت این تصمیمات دارند. پیش بینی تقاضای الکتریسته یکی از چالش برانگیزترین حوزه های پیش بینی است. مشخصه ی منحصربه فرد الکتریسته، که پیش بینی را در مقایسه با سایر کالاهای تولیدی دشوارتر می سازد، عدم امکان ذخیره سازی آن به منظور مصرف در آینده است. این موضوع سبب ایجاد سطح بالایی از ابهام در داده های مرتبط با این گونه از بازارها می شود. ابزارهای هوش محاسباتی و محاسبات نرم از جمله دقیق ترین روش های حال حاضر به منظور مدل سازی عدم قطعیت موجود در داده ها هستند. در این مقاله، با ترکیب روش های مذکور، یک روش هوشمند نرم به منظور پیش بینی الکتریسیته ارائه شده است. ایده ی اصلی مدل استفاده ی هم زمان از مزایای ابزارهای هوش محاسباتی و محاسبات نرم در مدل سازی سیستم های پیچیده است. نتایج نشان دهنده ی دقت بالاتر روش پیشنهادی نسبت به سایر مدل هاست.

