ارایه یک مدل ترکیبی در پیش بینی بار در بازار برق تجدیدساختار یافته

با سمت‎گیری و تغییر ساختار بازار برق از بازار انحصاری دولتی به بازار رقابتی که در آن میزان تقاضا توسط نیروهای بازار تعیین می‎شود، نیاز به طراحی مدلی کارا و مناسب به گونه‎ای که ریسک شرکت در بازار رقابتی برای فعالان بازار برق را در جهت افزایش سودهی آنها کاهش دهد، اهمیت ویژه‎ای یافته است. برای مدلسازی و پیش‎بینی بار در بازار رقابتی باید خصوصیات این کالا از جمله فصلی بودن تقاضا را در نظر گرفت. مدل ایجاد شده در صورتی که بتواند با ایجاد رابطه‎ای از داده‎های قبلی، کمترین خطای پیش‎بینی را داشته باشد، موثرتر و کارآمدتر خواهد بود. در مدل‎های کلاسیک ارایه شده در مساله پیش بینی بار در بازار برق با تنوع تعداد متغیرهای ورودی و عدم پیروی متغیرها از یک مدل سری مشخص، خطای ناشی از پیش بینی افزایش خواهد یافت. در این مقاله با انگیزه دستیابی به کمترین خطای پیش‎بینی و برطرف کردن نواقص روش‎های قبلی، از روشی ترکیبی شبکه عصبی بهبود یافته مبتنی بر ساختار غیر خطی برای آموزش و یادگیری بهتر بر روی مقادیر گذشته بار و استفاده از آن برای اطلاعات آینده و از ایده ترکیبی کلونی مصنوعی زنبور عسل در یافتن بهترین وزن‎ها و بایاس‎ها برای حداقل کردن مربعات خطای پیش‎بینی بهره گرفته شده است. همچنین به منظور مرتب‎سازی داده‎ها و در نظر گرفتن عدم قطعیت در انتخاب بهترین داده‎ها از روش پیشنهادی انتخاباتی با در نظر گرفتن معیار آنتروپی بهره گرفته شده است. به منظور نشان دادن کارایی روش پیشنهادی در حل مساله پیش‎بینی بار در بازار برق در مقایسه با سایر روش‎های اخیر انجام گرفته در این زمینه، از بازار واقعی موجود نیوانگلند استفاده شده است. نتایج نشان از دقت بالا و خطای کمتر در پیش بینی می‎دهد. همچنین الگوریتم هوشمند ارایه شده قابلیت جستجوی محلی و نهایی آن به طور قابل ملاحظه‎ای بهبود یافته است.