دانشگاه صنعتی اصفهان روشهای عددی در مهندسی 2228-7698 38 1 2022 12 31 Electricity Load Forecasting by Combining Adaptive Neuro-fuzzy Inference System and Seasonal Auto-Regressive Integrated Moving Average پیش‌بینی بار الکتریکی با به‌کارگیری مدل‌های ترکیبی سیستم‌های فازی- عصبی و خودرگرسیون میانگین متحرک انباشته فصلی 119 129 3193 10.29252/jcme.38.1.119 FA مهدی خاشعی دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه صنعتی اصفهان، اصفهان فاطمه چاهکوتاهی دانشکده مهندسی صنایع و سیستم‌ها، دانشگاه صنعتی اصفهان، اصفهان Journal Article 2022 12 31 Nowadays, electricity load forecasting, as one of the most important areas, plays a crucial role in the economic process. What separates electricity from other commodities is the impossibility of storing it on a large scale and cost-effective construction of new power generation and distribution plants. Also, the existence of seasonality, nonlinear complexity, and ambiguity pattern in electricity data set makes it more difficult to forecast by using the traditional methods. Therefore, new models, computational intelligence and soft computing tools and combining models are the most accurate and widely used methods for modeling the complexity and uncertainty in the data set. In this paper, a parallel optimal hybrid model using computational intelligence tools and soft computations is proposed to forecast the electricity load forecasting. The main idea of this model is the use of the advantages of the individual models in the modeling of complex systems in a structure and elimination of  the limitations of them, simultaneously. The experimental results indicate that the proposed hybrid model has a higher performance accuracy in comparison to iterative suboptimal hybrid models and its computational cost is lower than the other hybrid models; also, the proposed model can achieve more accurate results, as compared with its component and some other seasonal hybrid models. امروزه پیش‌بینی تقاضای الکتریسیته به‌عنوان یکی از مهم‌ترین حوزه‌های پیش‌بینی، نقشی اساسی در فرایند تصمیم‌گیری‌های اقتصادی دارد. آنچه که الکتریسیته را از سایر کالاها متمایز می‌سازد عدم امکان ذخیره‌سازی آن در مقیاس وسیع، هزینه‌بر و زمان‌بر بودن ساخت نیروگاه‌های جدید تولید و توزیع برق است. همچنین وجود روند نوسانی و غیرخطی و همچنین ابهام و پیچیدگی در داده‌های الکتریسیته موجب شده که استفاده از مدل‌های معمول پیش‌بینی تقاضای الکتریسیته کارامد نباشند. لذا ارائه مدل‌های جدید با استفاده از ابزارهای هوش محاسباتی و محاسبات نرم و ترکیب مدل‌ها از جمله دقیق‌ترین و پرکاربردترین روش‌های حال حاضر به‌منظور مدل‌سازی پیچیدگی و عدم قطعیت موجود در داده‌ها هستند. لذا در این مقاله یک مدل ترکیبی بهینه موازی با استفاده از ابزارهای هوش محاسباتی و محاسبات نرم، به‌منظور پیش‌بینی بار الکتریکی ارائه می‌شود. روش ترکیبی ارائه شده در این مقاله بر اساس روش‌های خودگرسیون میانگین متحرک انباشته فصلی و سیستم‌های استنتاج فازی- عصبی است. ایده اصلی ارائه روش‌های ترکیبی، استفاده همزمان از مزایای مدل‌های تکی در مدل‌سازی‌ سیستم‌های پیچیده در یک ساختار و همچنین غلبه بر محدودیت‌های مدل‌های تکی است. نتایج حاصل نشان می‌دهد که روش ترکیبی پیشنهادی عملکرد ضعیف‌تری نسبت به سایر روش‌های ترکیبی تکراری شبه بهینه نداشته و همچنین هزینه محاسباتی آن کمتر از این گونه از روش‌ها دارد. علاوه بر این، روش پیشنهادی توانسته است نتایج دقیق‌تری در مقایسه با مدل‌های تشکیل‌دهنده خود و همچنین برخی از روش‌های ترکیبی فصلی به‌دست آورد. https://jcme.iut.ac.ir/article_3193_68a9750337a418a86fe06c1991a1d64c.pdf