یک مدل پیش‌بینی بار کوتاه‌مدت چند عاملی ترکیبی با ویژگی‌های دوره‌ای و غیر دوره‌ای: مطالعه موردی کینگ دائو، چین

در این مقاله، سری زمانی بار اندازه‌گیری شده از سال ۲۰۱۶ تا ۲۰۱۸ در کینگ دائو به منظور ایجاد پیش‌بینی دقیق‌تر با استفاده از مدل شبکه عصبی مصنوعی ترکیب‌شده با برخی ویژگی‌های منظم و نامنظم بررسی شده‌است. نتایج تحلیل طیفی نشان می‌دهد که چندین تغییر دوره‌ای در فرکانس‌های روزانه، نیمه روزانه و هفتگی برجسته هستند، و به عنوان بخش‌های مهم متغیرهای پیش‌بینی در این مدل پیش‌بینی در نظر گرفته می‌شوند. با این حال، کاهش قابل‌توجه بار در طول جشنواره‌های قانونی ملی در چین رخ می‌دهد، و با تعطیلات طولانی‌تر، که باید به عنوان شرایط غیر عادی در نظر گرفته شود، آشکارتر است. علاوه بر این، هم دما و هم رطوبت با استفاده از روش اطلاعات متقابل به عنوان دو عامل آب و هوایی ضروری برای بهبود دقت پیش‌بینی، به ویژه در تابستان گرم اضافه می‌شوند. در نهایت، نتایج مقایسه‌ای پنج آزمایش مختلف از نظر میانگین مطلق خطا نشان می‌دهد که مدل پیش‌بینی ترکیب‌شده با تمام عوامل دوره‌ای و غیر دوره‌ای، با یک یا چند عامل، بهتر از بقیه عمل می‌کند. ثابت شده‌است که این مدل چند عاملی، با در نظر گرفتن ویژگی‌های داخلی داده‌های بار و تاثیرات مهم

In this paper, the load time-series measured from 2016 to 2018 in Qingdao is investigated in order to make a prediction more accurately by using an artificial neural network model combined with some regular and irregular features. The results of spectral analysis show that several periodic variations in diurnal, semidiurnal and weekly frequencies are prominent, and considered as critical parts of predictior variables of the training and test sets in this forecasting model. However, a significant decline of load happens during the national statutory festivals in China, and is more obvious with the longer holidays, which should be taken into account as abnormal conditions. Moreover, both temperatuer and hummity filtered out by mutual information method are also added as two essential weather factors to improve the prediction accuracy, especially in the hot summer. Finally, the comparative results of five different experiments in term of mean absolute percent error show that the forecasti