ترکیب مدل ARMAX-EGARCH و WNN-FOA با تجزیه داده ها توسط روش improved empirical mode decomposition برای پیش بینی کوتاه مدت بار الکتریسیته در بازار برق

پیش بینی بار الکتریسیته یکی ازمباحث مطرح شده در برنامه ریزی انرژی (EPMs) میباشد. در این مبحث انواع مدل های مختلف برای پیش بینی بار الکتری سیته در دوره های زمانی ب سیار کوتاه مدت، کوتاه مدت، میان مدت و بلند مدت ارائه شده ا ست که هدف نهایی آن پیش بینی با بالاترین دقت میباشد. تحقیقات صورت گرفته درخصوص پیش بینی کوتاه مدت بار الکتریسیته (STLF) را می توان به سه دسته کلی پیش بینی بار الکتریسیته با روش های آماری، هوش مصنوعی و مدلهای ترکیبی تقسیم بندی کرد. در این مقاله برای افزایش دقت در پیش بینی بار الکتریسیته از مدل ترکیبی جدیدی استفاده شده است که در آن داده ها با روش improved empirical mode decomposition (IEMD) تجزیه میشود و مولفه خطی آن با مدل moving average with exogenous terms-exponential generalized autoregressive conditional heteroscedasticity autoregressive (ARMAX-EGARCH) و مولفه غیرخطی آن با مدل-Wavelet-Neural Network- fruit fly optimization Algorithm (WNN FOA) تحلیل می شود. در نهایت نتایج تحلیل های مولفه های خطی و غیرخطی بایکدیگر جمع شده تا مقادیر نهایی پیش بینی بار الکتری سیته حاصل گردد. برای بررسی نحوه عملکرد مدل هدف، پیش بینی بار الکتری سیته با استفاده از این مدل و مدل های موجود و با بکارگیری داده های مربوط به تقاضا بارالکتریسیته و فاکتور دمای هوا از بازار برق اسپانیا، ایران و استرالیا صورت گرفته است. نتایج نشان میدهد دقت پیش بینی مدل هدف نسبت به مدل های موجود بهبود یافته است.