پيش بيني كوتاه مدت بار استان چهارمحال و بختياري با استفاده از اجماع شبكه هاي عصبي

Short-Term Load Forecasting using an Ensemble of Artificial Neural Networks: Chaharmahal Bakhtiari Case

پيش بيني كوتاه مدت بار در بازار برق اهميت زيادي دارد . از طرفي عوامل مهم تأثيرگذار بر پيش بيني كوتاه مدت بار به ويژگي هاي بار الكتريكي و آب و هوايي هر منطقه بستگي دارد، بنابراين با استفاده از داده هاي واقعي استان چهارمحال و بختياري شامل بار و - دما به پيشبيني كوتاه مدت بار الكتريكي استان پرداختهايم. بدين منظور با استفاده از چهار روش مختلف شبكه عصبي پرسپترون - (MLP)، مجمعي از شبكه عصبي پرسپترون (MLP Ensemble)، شبكهSVM (Support Vector Machine) و مجمعي از شبكه SVM به پيش بيني كوتاه مدت بار استان چهار محال و بختياري پرداختيم. نتايج حاصل از مقايسه اين چهار روش نشان مي دهد كه مجمعي از شبكه عصبي پرسپترون بهترين روش به منظور پيش بيني كوتاه مدت بار مي باشد.

Short-term load forecasting is very important in electrical marketing. Load forecasting is dependent on climatic condition of every region and the previous structures of electrical consumption in that region; so we have accomplished this through employing climatic data (including temperature and pressure) and real load consumption of Chaharmahal Bakhtiari. We have evaluated our method using four machine learning algorithms: artificial neural networks (multilayer perceptron), ensemble of artificial neural networks, support vector machine and ensemble of support vector machine. Experimental results indicates that ensemble of artificial neural networks is superior to the others in the field of load consumption forecasting of Chaharmahal Bakhtiari.