پیش بینی بار کوتاه مدت با انتخاب ورودی به روش LLE و موتور پیش بینی ترکیبی RBF-Fuzzy

در این مقاله یک روش یادگیری خم تحت عنوان  Locally Linear Embedding (LLE) برای استخراج ورودی های دارای اطلاعات بیشتر و کاهش ابعاد فضای ورودی جهت پیش بینی بار کوتاه مدت، پیشنهاد شده است. روش LLE رابطه غیرخطی بین ویژگی ها را با تصویر کردن یک خم خطی محلی در فضای ویژگی، می یابد.  برای بررسی تاثیر روش پیشنهادی در خطای پیش بینی بار، یک سامانه پیش بینی ترکیبی، از شبکه ای  با یک تابع پایه رادیال  (RBF) و سامانه ای فازی، پیشنهاد شده است. شبکه RBF هسته موتور پیش بینی و ورودی آن تاریخچه بار است. سامانه استنتاج فازی جهت دخالت دادن اثر دما بر بار، با شبکه RBF ترکیب شده است. شبیه سازی با داده های واقعی بار منطقه مازندران، کارایی موتور پیش بینی پیشنهادی را در مقایسه با روش های شبکه عصبی مصنوعی، سری زمانی و شبکه نورو- فازی نشان می دهد؛ علاوه بر این، روش انتخاب ورودی (LLE) با روش تحلیل مولفه اصلی (PCA)  و انتخاب تجربی ورودی ها، مقایسه شده است. نتایج شبیه سازی با تجزیه و تحلیل آماری معنا دار، نشان می دهد که روش پیشنهادی، نسبت به سایر روش های انتخاب ورودی و موتورهای پیش بینی، دارای ابعاد ورودی کوچک تر و خطای پیش بینی کمتر است.