رشد اقتصادی هر کشوری ارتباط زیادی با زیرساخت های زنجیره تأمین انرژی الکتریکی و قابلیت دسترسی کم هزینه به آن دارد. بالا بردن تاب آوری زنجیره تأمین انرژی الکتریکی جهت قابلیت پاسخگویی به تقاضای لحظه ای مشترکین پرمصرف و استراتژیک چالشی است که بدون در نظر گرفتن پیش بینی بلندمدت تقاضا و برنامه ریزی توسعه یکپارچه این زنجیره ممکن نخواهد بود. در این مقاله یک رویکرد پیش بینی بلندمدت تقاضا در زنجیره تأمین انرژی الکتریکی صنایع سنگ آهن اسپیدان اصفهان با استفاده از ترکیب تبدیل موجک، شبکه عصبی مبتنی بر یادگیری عمیق (LSTM) و در نهایت ادغام نتایج با تکنیک داده کاوی مبتنی بر ماشین یادگیری شدید تنظیم شده پیشنهاد شده است. شرکت مورد مطالعه در این تحقیق از تأمین کنندگان اصلی مواد اولیه در زنجیره تأمین صنایع تولید فلزات اساسی و یکی از ده صنعت انرژی بر در زنجیره تأمین انرژی الکتریکی استان اصفهان است. تنها اطلاعات موجود و در دسترس از این شرکت سری زمانی سیگنال تقاضای تاریخی انرژی الکتریکی این صنعت در یک بازه زمانی 40 ماهه و به صورت 24 ساعته می باشد. داده ها در سری زمانی مورد مطالعه منقطع است به طوریکه فقط 50 درصد از داده ها دارای مقدار و50 درصد مابقی صفر می باشد. این نقصان داده و عدم امکان دسترسی به داده های مکمل و ویژگی های مؤثر جهت پیش بینی باعث کاهش تراکم داده ها شده و امکان پیش بینی تقاضای بلندمدت را نسبت به سری های زمانی پیوسته با مشکلات بیشتری روبرو می کند. آنالیزآماری بکار رفته نشان داد که داده های سالانه و فصلی از توزیع نرمال پیروی نمی کند و دارای تورش و ناهمگونی بالایی می باشد. روش پیشنهادی و نتایج حاصل از آن با سایر روش های موجود مورد مقایسه قرار گرفته است. نتایج حاصل از 10 تکرار روش های ماشین یادگیری شدید نشان می دهد که تکنیک (RELM) با سطح اطمینان بالای 95% از سایر روش های یادگیری ماشین مؤثر تر و نتایج دقیق تری دارد. تفاصيل المقالة

صنایع سنگ آهن اسپیدان یکی از صنایع پر مصرف برق در زنجیره تامین انرژی الکتریکی استان اصفهان به عنوان دومین قطب صنعتی کشور و یکی از تامین کنندگان اصلی مواد اولیه در زنجیره تامین صنایع فولاد کشور است. برنامه ریزی در یک زنجیره تامین انرژی الکتریکی با ابعاد بزرگ در فضائی پر از تردید و عدم قطعیت، با پیش بینی تقاضای انرژی الکتریکی آغاز می گردد. در این مقاله یک روش پیش بینی بلندمدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان اصفهان با استفاده از یک روش ترکیبی شامل تبدیل موجک، شبکه عصبی عمیق و تکنیک داده کاوی مبتنی بر ماشین یادگیری شدید پیشنهاد شده است. داده های مورد نظر در این مطالعه با توجه به اطلاعات ثبت شده از سیگنال تقاضای انرژی الکتریکی صنایع تولیدی سنگ آهن اسپیدان در یک بازه زمانی 40 ماهه و به صورت 24 ساعته استخراج و استفاده شده است. داده ها در بخشی از دوره مورد نظر ناشی از عدم تولید این صنعت در بازه مورد مطالعه منقطع بود به طوری که فقط 40 درصد از داده ها دارای مقدار و 60 درصد مابقی صفر یا ناهمگون بوده اند. این موضوع باعث نقص اطلاعات و بالا رفتن خطای پیش بینی در بخش اول الگوریتم پیشنهادی در خروجی شبکه عصبی عمیق تا 40 درصد شد. جهت بهبود پیش بینی و کاهش خطای ایجاد شده، با تکمیل مدل پیشنهادی با ماشـین یـادگیری شـدید، امکان ایجاد یـک مدل پیش بینی بهبود یافته برای انجام آموزش تحت نظارت میسر گردید. در نهایت نتایج به دست آمده با تکنیک های دیگری مانند ماشین بردار پشتیبان و درخت تصمیم گیری مقایسه شده است. نتایج بهبود و کاهش خطا و افزایش قابل توجه دقت روش پیشنهادی در پیش بینی بلند-مدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان را نشان می دهند. تفاصيل المقالة