مدل‌سازي و پيش‌بيني مصرف كوتاه‌مدت برق كشور با استفاده از شبكه‌هاي عصبي و تبديل موجك (با‌ تاكيد بر اثرات محيطي و اقليمي)

Modeling and Forecasting of Short Term Electricity Consumption in Iran using Neural Networks and Wavelet Transform Methods with Emphasis on Environmental and Locational Effects

امروزه انرژي الكتريكي به عنوان يكي از مهم‎ترين بخش‌هاي انرژي كشور ضمن داشتن نقش موثر در توليد و مصرف، اهميت ويژه‌اي در فرآيند تصميم‌گيري‌هاي اقتصادي دارد. آگاهي از ميزان تقاضاي انرژي الكتريكي در هر دوره به منظور برنامه‌ريزي دقيق، جهت اعمال سياست‎گذاري‌هاي لازم، امري ضروري مي‌باشد. از اين رو پيش‌بيني تقاضاي آن براي بخش‌هاي مختلف اقتصادي حايز اهميت است. در پژوهش حاضر با تلفيق مدل خطي‌ ARIMA و مدل‌هاي غيرخطي شبكه‎ي عصبي شعاع‌مدار و تبديل موجك، الگوي جديدي طراحي شده است تا براساس آن روند تقاضاي روزانه‌ي برق كشور و عوامل موثر بر آن ارزيابي شود. در ادامه تقاضاي روزانه‌ي برق كشور براساس مدل‌هاي ARIMA، شبكه‎ي عصبي شعاع‌مدار، شبكه‎ي عصبي شعاع‌مدار - تبديل موجك و مدل تلفيقي در بازه‌ي زماني يك‌گام تا ده‌گام به جلو پيش‌بيني شده است. نتايج حاصل از ارزيابي معيارهاي سنجش دقت پيش‌بيني نشان مي‌دهد كه مدل تلفيقي نسبت به بقيه‌ي مدل‌ها داراي خطاي كم و دقت بالايي در پيش‌بيني تقاضاي روزانه‌ي برق مي‌باشد. طبقه‌بنديJEL :C53, E37, Q30 كليد واژه: پيش‌بيني، تقاضاي برق، تبديل موجك، شبكه‎هاي عصبي شعاع‌مدار، ARIMA.

Modeling and Forecasting of Short Term Electricity Consumption in Iran using Neural Networks and Wavelet Transform Methods with Emphasis on Environmental and Locational Effects Kazem. Yavary * Ph. D. of Economic- Tarbiat Modares University (Responsible Author) Mehdi Zolfaghari Ph.D. Student of Economic- Tarbiat Modares University Received: 2010/11/23 Accepted: 2012/05/07 Abstract Electrical energy is one of the most important sources of energy in Iran and has a special role in economic decision-making processes. Correct planing to meet electricity demand over time is dependent on having a sound assessment of evolving needs. In this paper, we design a new estimation model that is a comdination of linear and nonlineal models. This model is used to assess the trend of electricity daily demand and its determining factors. We then proceed to forecast electricity daily demand using the ARIMA, Radial Basis Function Neural Network and Wavelet Transform methods together for single and ten steps in time periods. The results indicate that the suggested combined model has better performance in forecasting daily electricity demand based on Forecast Accuracy Evaluation indicators. JEL classification: C53, E37, Q30 Keywords: Forecasting, Electricity Demand, Wavelet Transform, Radial Basis Function Neural Network, ARIMA.