استفاده ‎از خوشه‎بندی های پیاپی نقشه خودسازمانده برای بهبود پیش بینی پیک ‎بار الکتریکی روزانه مبتنی بر شبکه های عصبی پیشخوراند

این مقاله یک مدل شبکه عصبی تلفیقی برای پیش بینی پیک بار الکتریکی(PLF) روزانه ارائه می کند. از آنجاییکه الگوهای مشابهی در داده های پیک بار وجود دارد، خوشه‎بندی داده ها دقت پیش‎بینی ها را افزایش خواهد داد. اکثر خوشه‎بندی های ارائه شده در ادبیات بدون دلیل و صرفا شهودی بوده‎اند. در این مقاله، ما رویکرد جدیدی برای خوشه‎بندی داده ها با استفاده از دو نقشه خودسازمانده پیاپی ارائه می کنیم. یک شبکه عصبی پیشخوراند(FFNN) برای هر یک از خوشه ها جهت پیش‎بینیPLF توسعه داده شده است. جهت ارزیابی اثربخشی مدل تلفیقی پیشنهادی، پیش‎بینی بوسیله توسعه یک شبکه عصبی پیشخوراند که از داده های خوشه‎بندی نشده استفاده می کند، انجام شده است. نتایج برتری اثربخشی مدل تلفیقی پیشنهادی را ثابت می کند. همچنین، مدلهای رگرسیون خطی برای PLF توسعه داده شده است و نتایج نشان می دهد که مدل تلفیقی پیشنهادی به میزان قابل‎توجهی، پیش‎‎بینی های بهتری را نسبت به مدلهای رگرسیون خطی تلفیقی تولید می کند. لازم بذکر است که از داده های پیک بار شرکت برق منطقه ای تهران جهت آزمایش و اعتبارسنجی مدل استفاده شده است.