نویسندگان
1 عضو هیئت علمی اقتصاد دانشگاه تربیت مدرس
2 دانشجوی دکتری گروه اقتصاد دانشگاه تربیت مدرس
چکیده
آگاهی از میزان تقاضای انرژی برق در هر دوره، به منظور برنامه ریزی دقیق و اعمال سیاستگذاری های لازم، امری ضروری است. از این رو، پیش‌بینی تقاضای آن، برای بخش های مختلف اقتصادی حائزاهمیت است. در این مقاله به مطالعه ی تطبیقی روش های غیرخطی شبکه های عصبی مصنوعی و تبدیل موجک- شبکه ی عصبی و فرایند خطی ARMAدر پیش‌بینی تقاضای روزانه برق در بازه ی زمانی یک تا ده‌گام به جلو پرداخته شده است. نتایج حاصل از به کارگیری معیارهای سنجش RMSE و MAPE نشان داد که مدل های غیرخطی تبدیل موجک و شبکه ی عصبی پیشخور، نسبت به مدل ARMA،در پیش بینی روزانه تقاضای برق کشور از دقت بالایی برخوردار است.
کلیدواژه‌ها
عنوان مقاله [English]
Forecasting of Short Run the Electricity Demand with Neural Networks and Wavelet Transform
نویسندگان [English]
- Hossain Sadeghi 1
- Mehdi Zolfaghari 2
چکیده [English]
Aware from electricity consumption in each period is necessary to Wright planning for main policy making. Therefore its demand forecasting is important between economic various sections. in this paper, was surveyed the comparative study of nonlinear manners of Artificial Neural Network and Wavelet Transform and liner process of ARMA in forecasting the electricity daily demand in time distance since one step to ten step ahead. The results presented the artificial neural network and wavelet transform on base of RMSE and MAPE indicators have high accuracy than ARMA in forecasting the electricity daily demand.
کلیدواژه‌ها [English]
- Forecasting
- electricity demand
- Wavelet Transform
- Neural Network
- ARIMA
- ARCH
)