استفاده از خوشهبندی های پیاپی نقشه خودسازمانده برای بهبود پیش بینی پیک بار الکتریکی روزانه مبتنی بر شبکه های عصبی پیشخوراند
چکیده
این مقاله یک مدل شبکه عصبی تلفیقی برای پیش بینی پیک بار الکتریکی(plf) روزانه ارائه می کند. از آنجاییکه الگوهای مشابهی در دادههای پیک بار وجود دارد، خوشهبندی دادهها دقت پیشبینیها را افزایش خواهد داد. اکثر خوشهبندیهای ارائه شده در ادبیات بدون دلیل و صرفاَ شهودی بودهاند. در این مقاله، ما رویکرد جدیدی برای خوشهبندی دادهها با استفاده از دو نقشه خودسازمانده پیاپی ارائه می کنیم. یک شبکه عصبی پیشخوراند(ffnn) برای هر یک از خوشهها جهت پیش‌بینیplf توسعه داده شده است. جهت ارزیابی اثربخشی مدل تلفیقی پیشنهادی، پیش‌بینی بوسیله توسعه یک شبکه عصبی پیشخوراند که از دادههای خوشهبندی نشده استفاده می کند، انجام شده است. نتایج برتری اثربخشی مدل تلفیقی پیشنهادی را ثابت می کند. همچنین، مدلهای رگرسیون خطی برای plf توسعه داده شده است و نتایج نشان می دهد که مدل تلفیقی پیشنهادی به میزان قابلتوجهی، پیشبینیهای بهتری را نسبت به مدلهای رگرسیون خطی تلفیقی تولید می کند. لازم بذکر است که از داده های پیک بار شرکت برق منطقه ای تهران جهت آزمایش و اعتبارسنجی مدل استفاده شده است.