Abstract
For an energy-limited economy system, it is crucial to forecast load demand accurately. This paper devotes to 1-week-ahead daily load forecasting approach in which load demand series are predicted by employing the information of days before being similar to that of the forecast day. As well as in many nonlinear systems, seasonal item and trend item are coexisting in load demand datasets. In this paper, the existing of the seasonal item in the load demand data series is firstly verified according to the Kendall τ correlation testing method. Then in the belief of the separate forecasting to the seasonal item and the trend item would improve the forecasting accuracy, hybrid models by combining seasonal exponential adjustment method (SEAM) with the regression methods are proposed in this paper, where SEAM and the regression models are employed to seasonal and trend items forecasting respectively. Comparisons of the quartile values as well as the mean absolute percentage error values demonstrate this forecasting technique can significantly improve the accuracy though models applied to the trend item forecasting are eleven different ones. This superior performance of this separate forecasting technique is further confirmed by the paired-sample T tests
چکیده
برای یک سیستم اقتصادی با انرژی محدود، پیش بینی دقیق تقاضای بار ضروری می باشد. این مقاله به روش پیش بینی بار روزانه ی هفته پیش رو اختصاص دارد که در آن سری های تقاضای بار با به کارگیری اطلاعات روزها پیش از این که شبیه اطلاعات روز پیش بینی شوند پیش بینی می شوند. همانند بسیاری از سیستم های غیرخطی، اطلاعات فصلی و اطلاعات رویه ای در دیتابیس های بار وجود دارند. در این مقاله، اطلاعات فصلی در سری اطلاعات بار در ابتدا مطابق با روش تست همبستگی کرنل تایید شده است. سپس با استفاده از پیش بینی مجزای اطلاعات فصلی و اطلاعات رویه دقت پیش بینی را بالا خواهیم برد. مدل های هیبرید با ترکیب روش تنظیم نمائی فصلی (SEAM) با روش های رگرسیون در این مقاله ارائه شده اند که روش SEAM و مدل رگرسیون به ترتیب برای پیش بینی روندها و اطلاعات فصلی به کار رفته اند. مقایسه ی مقادیر چارک و نیز مقادیر درصد میانگین مطلق خطا نشان می دهند که این تکنیک پیش بینی به طور موثری دقت را ارتقا می دهد، با این وجود که مدل های اعمالی به پیش بینی اطلاعات روندی یازده نوع مختلف می باشد. این عملکرد برتر از این تکنیک پیش بینی مجزا با استفاده از تست های جفت نمونه ای T نیز تایید شده است.
1- مقدمه
فروپاشی شبکه قدرت اغلب در سیستم های قدرت کوچک یا بزرگ روی می دهد. زندگی روزمره، خدمات ابتدائی و سیستم های حمل و نقل عمومی در زمان فروپاشی سیستم قدرت به شدت تحت تاثیر قرار می گیرند. همچنان که معلوم است، شبکه قدرت به هم متصل شمال غرب آمریکا و شرق کانادا یک خاموشی سراسری بزرگ را در 14 آگوست 2003 تجربه کرده اند...