بهبود برازش رگرسیون با استفاده از خوشه بندی شبکه ی عصبی به منظور پیش بینی اوج مصرف انرژی الکتریکی ماهانه

در سیستم قدرت الکتریکی، پیش بینی اوج بار به منظور بهینه سازی اقتصادی، برنامه ریزی خط مشی، تخصیص بودجه و مدیریت سوخت نیروگاه ها نقش بسیار مهمی بازی می کند.دقت روش پیش بینی در توسعه ی استراتژی تامین قدرت، و طرح توسعه به ویژه برای کشورهای درحال توسعه بسیار مهم است. زیرا در این کشورها نرخ رشد تقاضا پویا و زیاد است. در این نوشتار برای اولین بار یک مدل رگرسیون تلفیقی به منظور پیش بینی اوج بار الکتریکی ماهانه با استفاده از روش خوشه بندی و آنالیز مولفه های اصلیP C A ارائه شده است. بدین منظور داده های تقاضای اوج بار ماهانه ی 14 سال گذشته در شبکه ی قدرت الکتریکی سراسری ایران مورد تجزیه و تحلیل قرار می گیرد. مدل ارائه شده امکان پیش بینی انرژی الکتریکی مصرفی یا اوج بار ماهانه را برای ماه آینده فراهم می کند. بدین ترتیبکه ابتدا برای بهبود برازش رگرسیون، نقشه ی خودسازمان دهی(S O M) به منظور خوشه بندی اوج بار مصرفی ماهانه طراحی شده است و ماه های مشابه با یکدیگر در گروه هاییکسان قرار داده شده اند. سپس با به کارگیری شاخص دیویس بولدین بهترین حالت خوشه بندی تعیین شده است.
همچنین به منظور کاهش ابعاد ورودی ها و بهبود نتایج از آنالیز مولفه های اصلی استفاده شده است. به منظور پیش بینی اوج بار ماهانه برای هر خوشه نیز از روش رگرسیون استفاده شده است. آنالیز و مقایسه ی نتایج پیش بینی با روش رگرسیون بدون انجام خوشه بندی نشان می دهد که دقت عمل مدل ارائه شده بسیار خوب است و خوشه بندی داده ها موجب بهبود پیش بینی شده است.