AU - Keshvari, Ruhollah AU - Imani, Maryam AU - Parsa Moghaddam, Mohsen TI - Short Term Load Forecasting Using Empirical Mode Decomposition, Wavelet Transform and Support Vector Regression PT - JOURNAL ARTICLE TA - jsdp JN - jsdp VO - 19 VI - 3 IP - 3 4099 - http://jsdp.rcisp.ac.ir/article-1-1138-fa.html 4100 - http://jsdp.rcisp.ac.ir/article-1-1138-fa.pdf SO - jsdp 3 AB  - پیش‌بینی کوتاه‌مدت بار الکتریکی نقش مهمی در طراحی و بهره‌بردای از سیستم‌های قدرت ایفا می‌کند. با توجه به ماهیت سری زمانی بار الکتریکی کوتاه‌مدت، پیش‌بینی دقیق بار بسیار چالش‌برانگیز است. در این مقاله، روشی‌ برای پیش‌بینی بار کوتاه‌مدت پیشنهاد شده است. در مرحله نخست توابع مد ذاتی (IMFها) منحنی بار با استفاده از روش تجزیه مد تجربی (EMD) استخراج می‌شوند. باقی‌مانده سیگنال که حاوی نوفه است در این مرحله دور ریخته می‌شود تا سیگنال به‌نسبه تمیزی حاصل شود. در مرحله دوم هر IMF با استفاده از تبدیل موجک تجزیه می‌شود تا زیر‌دنباله‌های آن حاصل ‌شود. هر زیردنباله حاوی اطلاعات و جزئیات متفاوتی است که می‌تواند به بهبود دقت پیش‌بینی کمک کند. در مرحله سوم زیردنباله‌های به‌دست‌آمده تجمیع شده و در‌نهایت به‌وسیله رگرسیون بردار پشتیبان (SVR) جهت پیش‌گویی استفاده می‌شوند. روش پیشنهادی بر روی دو مجموعه‌داده لهستان و کانادا و با چهار معیار خطای میانگین مربعات (MSE) ریشه میانگین مربعات خطا (RMSE)، میانگین درصد مطلق خطا (MAPE) و میانگین خطای مطلق (MAE) مورد ارزیابی قرار گرفت. یافته‌ها نشان می‌دهد که خطای پیش‌بینی بار برای مجموعه‌داده لهستان با معیار MSE برابر 0.0012 ، با معیار RMSE برابر 0.0342 با معیار MAPE برابر 2.9771، با معیار MAE برابر 0.0044 و برای مجموعه‌داده کانادا با معیار MSE برابر 5.0969e-07، با معیار RMSE برابر 7.1393e-04 با معیار MAPE برابر 0. 9571 و با معیار MAE برابر 2624e-04 است. از مقایسه روش پیشنهادی نسبت به سایر روش‌های رقیب، نتایج بهتری از نظر میزان خطا مشاهده شده است. CP - IRAN IN - Faculty of Electrical and Computer Engineering, Tarbiat Modares University, Tehran, Iran LG - eng PB - jsdp PG - 35 PT - Research YR - 2022