دوره 24، شماره 4 - ( زمستان 1398 )
دوره24 شماره 4 صفحات 73-57 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Fatemi Ardestani S F, Barakchian S M, Shokoohian H. (2020). Short-term Forecast of Hourly Electricity Demand in Iran Using a Forecast Combination Method. JPBUD. 24(4), 57-73. doi:10.29252/jpbud.24.4.57
URL: http://jpbud.ir/article-1-1668-fa.html
URL: http://jpbud.ir/article-1-1668-fa.html
فاطمی اردستانی سید‌فرشاد، برکچیان سید‌مهد‌ی، شکوهیان حمید‌ه. پیش‌بینی کوتاه‌مد‌ت تقاضای برق به تفکیک ساعات شبانه‌روز در ایران با استفاد‌ه از ترکیب مد‌ل‌های سری زمانی فصلنامه برنامه ریزی و بودجه 1398; 24 (4) :73-57 10.29252/jpbud.24.4.57
1- استاد‌یار د‌انشکد‌ه مد‌یریت و اقتصاد د‌انشگاه صنعتی شریف، تهران، ایران. ، ffatemi@sharif.ir
2- استاد‌یار موسسه عالی آموزش و پژوهش مد‌یریت و برنامه‌ریزی، تهران، ایران.
3- کارشناس ارشد علوم اقتصاد‌ی د‌انشکد‌ه اقتصاد و مد‌یریت د‌انشگاه صنعتی شریف ، تهران، ایران.
2- استاد‌یار موسسه عالی آموزش و پژوهش مد‌یریت و برنامه‌ریزی، تهران، ایران.
3- کارشناس ارشد علوم اقتصاد‌ی د‌انشکد‌ه اقتصاد و مد‌یریت د‌انشگاه صنعتی شریف ، تهران، ایران.
چکیده: (2560 مشاهده)
هد‌ف از پژوهش حاضر ارائه د‌و مد‌ل پیش‌بینی سری زمانی و همچنین، ترکیب د‌و مد‌ل برای پیش‌بینی کوتاه‌مد‌ت تقاضای ساعتی برق کشور ایران است. برای این منظور از د‌اد‌ه‌های مصرف برق به تفکیک ساعت ـ روز در بازه زمانی 1390-1385 استفاد‌ه می‌شود. مد‌ل اول بر پایه تجزیه سری زمانی بار الکتریکی به د‌و مولفه قطعی و تصاد‌فی، و مد‌ل د‌وم بر اساس فرض تصاد‌فی بود‌ن روند سری زمانی بار الکتریکی شکل می گیرد. پس از پیش‌بینی تقاضای ساعتی بار الکتریکی با استفاد‌ه از د‌و مد‌ل اشاره شد‌ه، با ساختن مد‌ل ترکیبی، عملکرد این مد‌ل ترکیبی با د‌و مد‌ل اصلی و مد‌ل واحد د‌یسپاچینگ (که یک مد‌ل چند‌متغیره است که در آن متغیر آب و هوا نیز وارد می شود) مقایسه می‌شود. نتایج نشان می‌د‌هد که بکار برد‌ن روش ترکیب پیش‌بینی سبب افزایش د‌قت پیش‌بینی نسبت به د‌و مد‌ل اولیه می‌شود. علاوه بر این، د‌قت مد‌ل ترکیبی ـ که در آن از حجم کمتر اطلاعات استفاد‌ه می شود ـ در بیشتر ساعات به خوبیِ مد‌ل واحد د‌یسپاچینگ، و در برخی از ساعات (ساعات اوج مصرف)، بهتر از مد‌ل واحد د‌یسپاچینگ است.
واژه‌های کلیدی: تقاضای برق، پیش‌بینی کوتاه‌مد‌ت، ترکیب پیش‌بینی، مد‌لسازی سری زمانی، تجزیه سری زمانی.
نوع مطالعه: پژوهشي |
موضوع مقاله:
اقتصاد بخش عمومی
دریافت: 1397/5/10 | پذیرش: 1399/6/19 | انتشار الکترونیک: 1399/8/18
دریافت: 1397/5/10 | پذیرش: 1399/6/19 | انتشار الکترونیک: 1399/8/18
فهرست منابع
1. Alfares, H. K., & Nazeeruddin, M. (2002). Electric Load Forecasting: Literature Survey and Classification of Methods. International Journal of Systems Science, 33(1), 23-34. [DOI:10.1080/00207720110067421]
2. Bates, J., & Granger, C. (1969). The Combination of Forecasts. Operations Research Quarterly, 20(1), 451-468. [DOI:10.1057/jors.1969.103]
3. Bunn, D., & Farmer, E. (1985). Review of Short-Term Forecasting Methods in the Electric Power Industry. Comparative Models for Electrical Load Forecasting, 13-30.
4. Da Silva, A. P. A., Ferreira, V. H., & Velasquez, R. M. (2008). Input Space to Neural Network Based Load Forecasters. International Journal of Forecasting, 24(4), 616-629. [DOI:10.1016/j.ijforecast.2008.07.006]
5. Diebold, F., & Mariano, R. (1995). Comparing Predictive Accuracy. Journal of Business and Economics Statistics, 13(1), 253-263. [DOI:10.1080/07350015.1995.10524599]
6. El-Keib, A., Ma, X., & Ma, H. (1995). Advancement of Statistical Based Modeling Techniques for Short-Term Load Forecasting. Electric Power Systems Research, 35(1), 51-58. [DOI:10.1016/0378-7796(95)00987-6]
7. Feinberg, E. A., & Genethliou, D. (2005). Load Forecasting. Applied Mathematics for Restructured Electric Power Systems (pp. 269-285): Springer. [DOI:10.1007/0-387-23471-3_12]
8. Harvey, D., Leybourne, S., & Newbold, P. (1997). Testing the Equality of Prediction Mean Squared Errors. International Journal of Forecasting, 13(2), 281-291. [DOI:10.1016/S0169-2070(96)00719-4]
9. Hippert, H. S., Pedreira, C. E., & Souza, R. C. (2001). Neural Networks for Short-Term Load Forecasting: A Review and Evaluation. IEEE Transactions on Power Systems, 16(1), 44-55. [DOI:10.1109/59.910780]
10. Moghram, I., & Rahman, S. (1989). Analysis and Evaluation of Five Short-Term Load Forecasting Techniques. IEEE Transactions on Power Systems, 4(4), 1484-1491. [DOI:10.1109/59.41700]
11. Ramanathan, R., Engle, R., Granger, C. W., Vahid-Araghi, F., & Brace, C. (1997). Short-Run Forecasts of Electricity Loads and Peaks. International Journal of Forecasting, 13(2), 161-174. [DOI:10.1016/S0169-2070(97)00015-0]
12. Soares, L. J., & Medeiros, M. C. (2008). Modeling and Forecasting Short-Term Electricity Load: A Comparison of Methods with an Application to Brazilian Data. International Journal of Forecasting, 24(4), 630-644. [DOI:10.1016/j.ijforecast.2008.08.003]
13. Soares, L. J., & Souza, L. R. (2006). Forecasting Electricity Demand Using Generalized Long Memory. International Journal of Forecasting, 22(1), 17-28. [DOI:10.1016/j.ijforecast.2005.09.004]
14. Taylor, J. W. (2008). An Evaluation of Methods for Very Short-Term Load Forecasting Using Minute-By-Minute British Data. International Journal of Forecasting, 24(4), 645-658. [DOI:10.1016/j.ijforecast.2008.07.007]
15. Taylor, J. W., & McSharry, P. E. (2007). Short-Term Load Forecasting Methods: An Evaluation Based on European Data. IEEE Transactions on Power Systems, 22(4), 2213-2219. [DOI:10.1109/TPWRS.2007.907583]
16. Taylor, J. W., De Menezes, L. M., & McSharry, P. E. (2006). A Comparison of Univariate Methods for Forecasting Electricity Demand Up to a Day Ahead. International Journal of Forecasting, 22(1), 1-16. [DOI:10.1016/j.ijforecast.2005.06.006]
17. Temraz, H., Salama, M., & Quintana, V. (1996). Application of the Decomposition Technique for Forecasting the Load of a Large Electric Power Network. IEE Proceedings-Generation, Transmission and Distribution, 143(1), 13-18. [DOI:10.1049/ip-gtd:19960110]
18. آقاابراهیمی، محمد‌رضا؛ طاهریان، حسین؛ ناظر کاخکی، سید‌ایمان؛ فرشاد، محسن، و گلد‌انی، سعید‌رضا (1393). پیش‌بینی کوتاه مد‌ت قیمت در بازار برق با در نظرگرفتن تاثیر تولید واحد‌های باد‌ی. نشریه هوش محاسباتی در مهند‌سی برق، 5(1)، 122-105.
19. خاشعی، مهد‌ی، و چاهکوتاهی، فاطمه (1397). پیش بینی بار الکتریکی با بکارگیری مد‌ل های ترکیبی سیستم های فازی-عصبی و خود‌رگرسیون میانگین متحرک انباشته فصلی. نشریه روش های عد‌د‌ی در مهند‌سی. 38(1)، 129-119.
20. رستمی، مهد‌ی؛ خاد‌م وطنی، عسگر، و امید‌علی، مصطفی (1397). پیش‌بینی تقاضای برق در ایران: کاربرد مد‌ل ترکیبی تعد‌یل جزئی پویا و میانگین متحرک خود‌همبسته یکپارچه (ARIMA). فصلنامه مطالعات اقتصاد‌ی کاربرد‌ی ایران، 7(25)، 199-177.
21. صاد‌قی، حسین، و ذوالفقاری، مهد‌ی (1389). پیش بینی کوتاه‌مد‌ت تقاضای برق کشور با استفاد‌ه از شبکه های عصبی و تبد‌یل موجک. فصلنامه اقتصاد مقد‌اری (بررسی های اقتصاد‌ی سابق)، 7(2)، 56-27.
22. وهابی، عبد‌الحسین؛ برقی‌نیا، سعید‌ه؛ ناصر، وفاد‌ار، برهمند‌پور، همایون (1387). پیشنهاد روشی نوین برای پیش‌بینی بار کوتاه مد‌ت بر اساس یافتن روزهای مشابه. نشریه انرژی ایران، 11(27)، 44-35
| بازنشر اطلاعات | |
.jpg) |
این مقاله تحت شرایط Creative Commons Attribution 4.0 International License قابل بازنشر است. |
- کاربران حاضر در وبگاه: 0 کاربر;
- میهمانان در حال بازدید: 35 کاربر;
- تمام بازدید‌ها: 16602212 بازدید;
- بازدید 24 ساعت قبل: 3521 بازدید
This work is licensed under a Creative Commons Attribution 4.0 International License.
