Two stage forecast engine with feature selection technique and improved meta-heuristic algorithm for electricity load forecasting

پیش بینی بار کوتاه مدت برای محیط بازسازی بازار برق بسیار مهم است. پیش بینی دقیق بار برای عملکرد موثر سیستم قدرت ضروری است، اما بار الکتریکی غیر خطی با سطح بالایی از نوسان است. پیش بینی چنین سیگنال های پیچیده نیاز به ابزار پیش بینی مناسب دارد. این مقاله پیشنهاد یک استراتژی پیش بینی ترکیبی از جمله روش انتخاب جدید ویژگی و یک موتور پیش بینی پیچیده بر اساس یک الگوریتم هوشمند جدید است. سیگنال بار الکتریکی ابتدا با استفاده از تکنیک انتخاب فیلتر برای انتخاب نامزدهای مناسب به عنوان ورودی برای موتور پیش بینی شده است. سپس، پیش بینی موتور پیشنهادی پیشنهاد شده بر اساس شبکه های عصبی رجکت و المن اجرا می شود. تمام پارامترهای موتور پیش بینی بر اساس یک الگوریتم هوشمند جدید برای بهبود دقت و قابلیت آن انتخاب شده است. بازارهای مختلف برق به عنوان نمونه آزمون برای مقایسه روش پیشنهادی با چندین الگوریتم فعلی مورد توجه قرار گرفتند. علاوه بر این، مدل پیش بینی پیشنهاد شده، اشتباهات پیش بینی غیرمستقیم در این کار را اندازه گیری می کند (در میان هفت نوع اندازه گیری یعنی خطاهای پیش بینی مطلق، اندازه گیری ها براساس خطاهای درصد، خطاهای متقارن، اندازه گیری بر اساس اشتباهات نسبی، خطاهای مقیاس پذیر، اندازه گیری های نسبی و سایر روش های خطا ) نتایج اثبات اثربخشی روش پیشنهادی را تایید می کند.