پیشبینی بار الکتریکی با بکارگیری مدلهای ترکیبی پرسپترونهای چندلایه و خودرگرسیون میانگین متحرک انباشته فصلی
نویسندگان
چکیده مقاله:
امروزه صرفهجویی در زمان و اقتصاد یک کشور نیازمند برنامهریزی، تصمیمگیری و پیشبینیهای درست و منطقی در حوزههای مختلف میباشد. یکی از این حوزههای مطرح در هر کشور، پیشبینی بار الکتریکی میباشد. این کالا (الکتریسیته) با توجه به اینکه قابل ذخیرهسازی نمیباشد، پیشبینی آن با حساسیت بالاتری انجام میگیرد. همچنین علاوه بر غیرقابل ذخیرهبودن، در مصرف این کالا الگوهای مختلفی دیده میشود که مدلسازی آن را با روشهای کلاسیک دشوار میسازد. بنابراین نیاز به روشی است که بتواند الگوهای موجود در دادههای مرتبط با این بازار را مدلسازی نماید. در این مقاله از یک روش ترکیبی موازی که مدلهای کلاسیک خطی را با مدلهای هوش محاسباتی ترکیب میکند، استفاده گردیده است. ایده اصلی مدل پیشنهادی، استفاده همزمان از مدلهای مذکور در مدلسازی خطی و غیرخطیای که با الگوهای فصلی همراهند، میباشد. همچنین نتایج نشان میدهد که در این روش به دلیل استفاده از یک روش وزندهی مستقیم، هزینه محاسباتی مدلسازی آن بهصورت قابلتوجهی از سایر روشهای ترکیبی موازی پایینتر میباشد.
منابع مشابه
بکارگیری مدل های ترکیبی میانگین متحرک خودرگرسیون انباشته فازی احتمالی به منظور پیش بینی نرخ ارز
متن کامل
به کارگیری مدل میانگین متحرک خودرگرسیون انباشته فازی به منظور پیش بینی نرخ ارز
در دنیای امروز به کارگیری روشهای کمی پیش بینی در زمینه های مختلف مورد توجه گسترده قرار گرفته است. تغییرات سریع محیطهای ناشناخته در دنیای واقعی و به ویژه بازارهای مالی سبب ایجاد مشکلاتی برای پیش بینی کنندگان به منظور تأمین داده های مورد نیاز شده است. مدلهای میانگین متحرک خود رگرسیون انباشته (arima) دارای محدودیت تعداد داده های گذشته بوده و شبکه-های عصبی مصنوعی (anns) نیز به منظور حصول نتایج دقیق...
متن کاملارائه یک رویکرد ترکیبی میانگین متحرک خودگردان فصلی و شبکه های نرو ـ فازی خطی محلی برای پیشبینی میزان بارندگی در شهر زابل
تغییرات بوم شناختی ناشی از تغییرات اقلیمی میتواند نقش بسزایی در شرایط جوامع بشری بخصوص شرایط سلامتی و وضعیت اقتصادی ایفا نماید. در برخی موارد، تغییرات ناگهانی و غیرمترقبه شرایط اقلیمی میتواند منجر به وقوع بحرانهای اجتماعی و اقتصادی گردد. بنابراین پیشبینی دقیق این تغییرات میتواند به مدیران جامعه در راستای مقابله با عوارض ناشی از این تغییرات کمک نماید. یکی از مهمترین پارامترها در این بین میز...
متن کاملپیشبینی قیمت هفتگی نفت خام از طریق مدل ترکیبی ماشین بردار پشتیبان و خودرگرسیو میانگین متحرک انباشته
همواره پیشبینی روند قیمت و نوسانات یکی از چالشهای پیشروی معاملهگران در بازارهای بورس نفت بوده و پیشبینی قیمتها به عنوان یک امر ضروری وکاربردی مطرح میشود ولیکن باید پیشبینی را مورد توجه قرار داد که با دقت بیشتری صورت گیرد و نسبت به نتایج واقعی مشاهده شده خطای کمتری داشته باشد. به منظور پیشبینی قیمت هفتگی نفت خام برنت به عنوان یک نفت شاخص با توجه به دشوار بودن شناسایی دقیق الگوهای خطی و...
متن کاملبـهبود عملکرد پیش بیـنی های مالـی با ترکیـب مدلهـای خـطی و غیـرخـطی خودرگرسیون میانگین متحرک انباشته و شبکه های عصبی مصنوعی
دقت پیش بینی از مهمترین عوامل مؤثر در انتخاب روش پیش بینی است. امروزه به رغم وجود روشهای متعدد پیش بینی، هنوز پیش بینی دقیق مالی کار چندان ساده ای نبوده و اکثر محققان درصدد بکارگیری و ترکیب روشهای متفاوت به منظور حصول نتایج دقیق تر می باشند. در حالت کلی انتخاب مؤثرترین روش به منظور پیش بینی، کار بسیار دشواری می باشد. بسیاری از محققان روشهای خطی و غیرخطی را به منظور حصول نتایج دقیق تر با یکدیگر ...
متن کاملارائه یک رویکرد ترکیبی میانگین متحرک خودگردان فصلی و شبکه های نرو ـ فازی خطی محلی برای پیشبینی میزان بارندگی در شهر زابل
تغییرات بوم شناختی ناشی از تغییرات اقلیمی میتواند نقش بسزایی در شرایط جوامع بشری بخصوص شرایط سلامتی و وضعیت اقتصادی ایفا نماید. در برخی موارد، تغییرات ناگهانی و غیرمترقبه شرایط اقلیمی میتواند منجر به وقوع بحرانهای اجتماعی و اقتصادی گردد. بنابراین پیشبینی دقیق این تغییرات میتواند به مدیران جامعه در راستای مقابله با عوارض ناشی از این تغییرات کمک نماید. یکی از مهمترین پارامترها در این بین میز...
متن کاملمنابع من
با ذخیره ی این منبع در منابع من، دسترسی به آن را برای استفاده های بعدی آسان تر کنید
ذخیره در منابع من قبلا به منابع من ذحیره شده{@ msg_add @}
عنوان ژورنال
دوره 10 شماره 40
صفحات 33- 42
تاریخ انتشار 2020-01-21
با دنبال کردن یک ژورنال هنگامی که شماره جدید این ژورنال منتشر می شود به شما از طریق ایمیل اطلاع داده می شود.
میزبانی شده توسط پلتفرم ابری doprax.com
copyright © 2015-2023