پیش بینی کوتاه مدت بار با استفاده از یک مدل هیبریدی با یک سری زمانی وزنی به صورت نمایی تصفیه شده و یک جستجوی هارمونی بهبودیافته
Short-term load forecasting using a hybrid model with a refined exponentially
weighted fuzzy time series and an improved harmony search
Article history:
Received 27 November 2013
Received in revised form 4 April 2014
Accepted 9 April 2014
a b s t r a c t
This article discusses the proposal of an enhanced hybrid algorithm. The algorithm focuses on a sophisticated exponentially weighted fuzzy algorithm that is aligned with an enhanced harmony search.
Short-term load forecasting can be performed appropriately with this specific method. The initial phase of this research discusses the recognition of the fuzzy logical relationship order with the aim of autocorrelation analysis. The second phase aims at obtaining the optimal intervals and coefficients for adoption using training data set. The last phase seeks to apply the obtained information and attempts to predict a 48-step-ahead on Short term load forecasting (STLF) problems. It is essential to validate this process. To achieve this goal, eight case studies of actual load data from France and Britain (from 2005) were employed. These data were applied to both the developed algorithm and certain improved STLF predicting models. The subsequent errors from these models were compared. The results of the error analysis exhibit the advantages of the developed algorithm with respect to its prediction preciseness.
Keywords:
Exponentially weighted fuzzy time series
Harmony search
Short term load forecasting
Auto correlation function
پیش بینی کوتاه مدت بار با استفاده از یک مدل هیبریدی با یک سری زمانی وزنی به صورت نمایی تصفیه شده و یک جستجوی هارمونی بهبودیافته
چکیده
این مقاله درباره پیشنهاد الگوریتم هیبریدی تقویت شده بحث می کند. الگوریتم روی یک الگوریتم فازی وزنی به صورت نمایی و پیشرفته تمرکز کرده است که هماهنگ با جستجوی هارمونی تقویت شده است. پیش بینی بار کوتاه مدت می تواند به طور مناسب با این روش ویژه انجام شود. فاز اولیه این تحقیق در مورد به رسمیت شناختن مرتبه رابطه منطق فازی با هدف تحلیل خودهمبستگی بحث می نماید. فاز دوم روی تحلیل بازه‌های بهینه و ضرایب برای اتخاذ با استفاده از مجموعه داده‌های آموزشی تمرکز می کند. فاز آخر قصد دارد تا اطلاعات بدست آمده را بکار بگیرد و تلاش می کند تا یک پیش بینی 48 قدم رو به جلو روی مسائل کوتاه مدت بار (STLF) انجام دهند. ضروری است تا این فرآیند را اعتبارسنجی نماییم. جهت حصول این هدف، هشت مطالعه موردی از داده های بار واقعی از فرانسه و بریتانیا (از 2005) بکار گرفته شدند. این داده ها هم به الگوریتم ساخته شده و هم به مدل های پیش بینی STLF بهبودیافته موردنظر اعمال شدند. خطاهای متعاقب از این مدل ها مقایسه شدند. نتایج تحلیل خطا مزایای الگوریتم ساخته شده را نسبت به دقیق بودن پیش بینی آن نشان دادند.