پیشبینی کوتاهمدت تقاضای فصلی الکتریسیته با استفاده از مدلهای ترکیبی هوشمند نرم
روشهای پیشبینی از کارآمدترین ابزارهای موجود بهمنظور اتخاذ تصمیمات مدیریتی در حوزههای مختلف علوم هستند. دقت پیشبینیها یکی از مهمترین عاملهای مؤثر بر کیفیت تصمیمات اتخاذی است که رابطهی مستقیمی با کیفیت این تصمیمات دارند. پیشبینی تقاضای الکتریسته یکی از چالشبرانگیزترین حوزههای پیشبینی است....
Main Authors: | , |
---|---|
Format: | Article |
Language: | fas |
Published: |
Sharif University Of Technology
2019-08-01
|
Series: | مهندسی صنایع و مدیریت شریف |
Subjects: | |
Online Access: | http://sjie.journals.sharif.edu/article_21333_5476fcf99ee04c57df2090e6ca73f17d.pdf |
_version_ | 1797971765003026432 |
---|---|
author | فاطمه چاهکوتاهی مهدی خاشعی |
author_facet | فاطمه چاهکوتاهی مهدی خاشعی |
author_sort | فاطمه چاهکوتاهی |
collection | DOAJ |
description | روشهای پیشبینی از کارآمدترین ابزارهای موجود بهمنظور اتخاذ تصمیمات مدیریتی در حوزههای مختلف علوم هستند. دقت پیشبینیها یکی از مهمترین عاملهای مؤثر بر کیفیت تصمیمات اتخاذی است که رابطهی مستقیمی با کیفیت این تصمیمات دارند. پیشبینی تقاضای الکتریسته یکی از چالشبرانگیزترین حوزههای پیشبینی است. مشخصهی منحصربه فرد الکتریسته، که پیشبینی
را در مقایسه با سایر کالاهای تولیدی دشوارتر میسازد، عدم امکان ذخیرهسازی آن بهمنظور مصرف در آینده است. این موضوع سبب ایجاد سطح بالایی از ابهام در دادههای مرتبط با اینگونه از بازارها میشود. ابزارهای هوش محاسباتی و محاسبات نرم از جمله دقیقترین روشهای حال حاضر بهمنظور مدلسازی عدم قطعیت موجود در دادهها هستند. در این مقاله، با ترکیب روشهای مذکور، یک روش هوشمند نرم بهمنظور پیشبینی الکتریسیته ارائه شده است. ایدهی اصلی مدل استفادهی همزمان از مزایای ابزارهای هوش محاسباتی و محاسبات نرم در مدلسازی سیستمهای پیچیده است. نتایج
نشاندهندهی دقت بالاتر روش پیشنهادی نسبت به سایر مدلهاست. |
first_indexed | 2024-04-11T03:36:39Z |
format | Article |
id | doaj.art-743c499f69f04c1eb825d3808c1b93a0 |
institution | Directory Open Access Journal |
issn | 2676-4741 2676-475X |
language | fas |
last_indexed | 2024-04-11T03:36:39Z |
publishDate | 2019-08-01 |
publisher | Sharif University Of Technology |
record_format | Article |
series | مهندسی صنایع و مدیریت شریف |
spelling | doaj.art-743c499f69f04c1eb825d3808c1b93a02023-01-02T04:54:32ZfasSharif University Of Technologyمهندسی صنایع و مدیریت شریف2676-47412676-475X2019-08-0135.11.211312110.24200/j65.2019.7089.169921333پیشبینی کوتاهمدت تقاضای فصلی الکتریسیته با استفاده از مدلهای ترکیبی هوشمند نرمفاطمه چاهکوتاهی0مهدی خاشعی1دانشکده مهندسی صنایع و سیستمها، دانشگاه صنعتی اصفهاندانشکده مهندسی صنایع و سیستمها، دانشگاه صنعتی اصفهانروشهای پیشبینی از کارآمدترین ابزارهای موجود بهمنظور اتخاذ تصمیمات مدیریتی در حوزههای مختلف علوم هستند. دقت پیشبینیها یکی از مهمترین عاملهای مؤثر بر کیفیت تصمیمات اتخاذی است که رابطهی مستقیمی با کیفیت این تصمیمات دارند. پیشبینی تقاضای الکتریسته یکی از چالشبرانگیزترین حوزههای پیشبینی است. مشخصهی منحصربه فرد الکتریسته، که پیشبینی را در مقایسه با سایر کالاهای تولیدی دشوارتر میسازد، عدم امکان ذخیرهسازی آن بهمنظور مصرف در آینده است. این موضوع سبب ایجاد سطح بالایی از ابهام در دادههای مرتبط با اینگونه از بازارها میشود. ابزارهای هوش محاسباتی و محاسبات نرم از جمله دقیقترین روشهای حال حاضر بهمنظور مدلسازی عدم قطعیت موجود در دادهها هستند. در این مقاله، با ترکیب روشهای مذکور، یک روش هوشمند نرم بهمنظور پیشبینی الکتریسیته ارائه شده است. ایدهی اصلی مدل استفادهی همزمان از مزایای ابزارهای هوش محاسباتی و محاسبات نرم در مدلسازی سیستمهای پیچیده است. نتایج نشاندهندهی دقت بالاتر روش پیشنهادی نسبت به سایر مدلهاست.http://sjie.journals.sharif.edu/article_21333_5476fcf99ee04c57df2090e6ca73f17d.pdfابزارهای هوش محاسباتی و محاسبات نرمپیشبینی سریهای زمانیتقاضای فصلی الکتریسیتهپرسپترونهای چندلایه (mlp)خودرگرسیون میانگین متحرک انباشتهی فصلی (sarima) |
spellingShingle | فاطمه چاهکوتاهی مهدی خاشعی پیشبینی کوتاهمدت تقاضای فصلی الکتریسیته با استفاده از مدلهای ترکیبی هوشمند نرم مهندسی صنایع و مدیریت شریف ابزارهای هوش محاسباتی و محاسبات نرم پیشبینی سریهای زمانی تقاضای فصلی الکتریسیته پرسپترونهای چندلایه (mlp) خودرگرسیون میانگین متحرک انباشتهی فصلی (sarima) |
title | پیشبینی کوتاهمدت تقاضای فصلی الکتریسیته با استفاده از مدلهای ترکیبی هوشمند نرم |
title_full | پیشبینی کوتاهمدت تقاضای فصلی الکتریسیته با استفاده از مدلهای ترکیبی هوشمند نرم |
title_fullStr | پیشبینی کوتاهمدت تقاضای فصلی الکتریسیته با استفاده از مدلهای ترکیبی هوشمند نرم |
title_full_unstemmed | پیشبینی کوتاهمدت تقاضای فصلی الکتریسیته با استفاده از مدلهای ترکیبی هوشمند نرم |
title_short | پیشبینی کوتاهمدت تقاضای فصلی الکتریسیته با استفاده از مدلهای ترکیبی هوشمند نرم |
title_sort | پیشبینی کوتاهمدت تقاضای فصلی الکتریسیته با استفاده از مدلهای ترکیبی هوشمند نرم |
topic | ابزارهای هوش محاسباتی و محاسبات نرم پیشبینی سریهای زمانی تقاضای فصلی الکتریسیته پرسپترونهای چندلایه (mlp) خودرگرسیون میانگین متحرک انباشتهی فصلی (sarima) |
url | http://sjie.journals.sharif.edu/article_21333_5476fcf99ee04c57df2090e6ca73f17d.pdf |
work_keys_str_mv | AT fạṭmhcẖạhḵwtạhy pysẖbynyḵwtạhmdttqạḍạyfṣlyạlḵtrysythbạạstfạdhạzmdlhạytrḵybyhwsẖmndnrm AT mhdykẖạsẖʿy pysẖbynyḵwtạhmdttqạḍạyfṣlyạlḵtrysythbạạstfạdhạzmdlhạytrḵybyhwsẖmndnrm |