پیش بینی نیاز مصرف فصلی شبکه برق ایران با استفاده از روش ترکیبی رگرسیون بردار پشتیبان و الگوریتم بهینه سازی مگس میوه

پیش بینی دقیق نیاز مصرف شبکه برق ماهانه می تواند در برنامه ریزی انرژی موثر باشد و مدیریت صحیح تر مصرف برق را امکان پذیر کند. نیاز مصرف برق ماهانه نشان دهنده گرایش فصلی پیچیده و غیرخطی است یکی از مدل هایی که به طور گسترده برای پیش بینی سری های زمانی غیرخطی استفاده می شود، رگرسیون بردار پشتیبان (SVR) است که در آن باید انتخاب پارامترهای کلیدی و تاثیر تغییرات فصلی درنظر گرفته شود؛ بنابراین ضروری است پارامترهای مدل رگرسیون بردار پشتیبان به صورت مناسب انتخاب شوند و گرایش های غیرخطی و فصلی داده های نیاز مصرف برق تعدیل شوند. روشی که در پژوهش حاضر پیشنهاد می شود، پیوندزدن مدل رگرسیون بردار پشتیبان (SVR) با الگوریتم بهینه سازی مگس میوه (FOA) و تنظیم شاخص فصلی برای پیش بینی نیاز مصرف برق ماهانه است. علاوه براین، به منظور ارزیابی جامع عملکرد پیش بینی مدل ترکیبی، نمونه ای کوچک از نیاز مصرف برق ماهانه ایران و نمونه بزرگی از تولید برق ماهانه ایران برای نشان دادن عملکرد پیش بینی بررسی شده است. همچنین در این پژوهش برتری «مدل ترکیبی رگرسیون بردار پشتیبان با الگوریتم بهینه سازی مگس میوه با تعدیل گرایش های فصلی (SFOASVR)» در مقایسه با سایر مدل های شناخته شده پیش بینی از نظر دقت پیش بینی و کم بودن خطای پیش بینی بررسی شده است. برای این منظور معیارهای ارزیابی ریشه میانگین مربعات خطا (RMSE) و میانگین درصد خطای مطلق (MAPE)، همچنین آزمون ناپارامتری ویلکاکسون صورت می گیرد. براساس نتایج، مدل SFOASVR از سایر مدل های پیش بینی خطای کمتری دارد و درنتیجه گزینه ای مناسب برای کاربردهای پیش بینی نیاز مصرف برق است.