skip to Main Content
روش پیش‌بینی بار کوتاه‌مدت مبتنی بر سری‌های زمانی فازی، فصلی بودن و فرآیند حافظه بلند ​

روش پیش‌بینی بار کوتاه‌مدت مبتنی بر سری‌های زمانی فازی، فصلی بودن و فرآیند حافظه بلند ​

عنوان انگلیسی: Short-term load forecasting method based on fuzzy
سال نشر: ۲۰۱۷
نویسنده: Hossein Javedani Sadaei,Frederico Gadelha Guimarães,Cidiney José da Silva,Muhammad Hisyam Lee,Tayyebeh Eslami
تعداد صفحه فارسی: ۳۴ – تعداد صفحه انگلیسی: ۲۲
دانشگاه: Graduate Program in Electrical Engineering, Federal University of Minas Gerais, Av. Antônio Carlos 6627, 31270-901, Belo Horizonte, MG, Brazil,Department of Electrical Engineering, Universidade Federal de Minas Gerais, UFMG, Belo Horizonte, Brazil,Department of Mathematical Sciences, Universiti Teknologi Malaysia, Skudai, Johor, Malaysia
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: اقتصادی

چکیده

Regressive Auto fractionally یک مدل معروف برای پیش‌بینی سری‌های زمانی فصلی است که روند حافظه بلند مدت را دنبال می‌کند.با این حال، برای بهتر کردن دقت پیش‌بینی‌ها در داخل چنین داده‌هایی برای مساله غیر خطی، در این مطالعه، ترکیبی از سری زمانی فازی (FTS)با SARFIMA پیشنهاد شده‌است.برای ساخت مدل پیشنهادی، پارامترهای خاصی باید تخمین زده شوند.بنابراین، یک الگوریتم تکاملی قابل‌اطمینان (PSO)به کار گرفته می‌شود.به عنوان مثال، یک سری زمانی حافظه بلند مدت، یعنی، داده‌های تاریخی مصرف بار کوتاه‌مدت، انتخاب می‌شود.در واقع پیش‌بینی بار کوتاه‌مدت (STLF)نقش کلیدی در سیستم‌های مدیریت انرژی (EMS)و در فرآیند تصمیم‌گیری هر سازمان تامین انرژی ایفا می‌کند.به منظور ارزیابی روش پیشنهادی، برخی آزمایش‌ها با استفاده از هشت مجموعه داده از داده‌های بار ساعتی از انگلستان و فرانسه برای سال ۲۰۰۵ و چهار مجموعه داده از داده‌های بار ساعتی از مالزی برای سال ۲۰۰۷ طراحی شده‌اند.اگر چه تمرکز این تحقیق STLF است، شش سری زمانی طولانی حافظه فصلی دیگر از چندین مطالعه موردی جالب برای ارزیابی بهتر عملکرد روش پیشنهادی به کار گرفته می‌ش

Abstract

Seasonal Auto Regressive Fractionally Integrated Moving Average (SARFIMA) is a wellknown model for forecasting of seasonal time series that follow a long memory process.However, to better
oost the accuracy of forecasts inside such data for nonlinear problem,in this study, a combination of Fuzzy Time Series (FTS) with SARFIMA is proposed. To build the proposed model, ertain parameters requires to be estimated. Therefore, a reliable Evolutionary Algorithm namely Particle Swarm Optimization (PSO) is employed. As a case study, a seasonal long memory time eries, i.e., short term load consumption historical data, is selected. In fact, Short Term Load Forecasting (STLF) plays a key role in energy management systems (EMS) and in the decision making process of every power supply organization. In order to evaluate the proposed method, some experiments, using eight datasets of half-hourly load data from England and France for the ear 2005 and four data sets of hourly load data from Malaysia
۲۶۰,۰۰۰ ریال – خرید
امتیاز شما:
(No Ratings Yet)
Back To Top