Ein neuartiges Modell zur Vorhersage des elektrischen Lastverbrauchs und zur Merkmalsauswahl basierend auf einem modifizierten Klonalauswahlalgorithmus

In diesem Papier wird eine neue kombinierte Methode vorgestellt, die auf dem Klonalauswahlalgorithmus (CSA) und dem maschinellen Lernalgorithmus für künstliche neuronale Netze (ANN) basiert, die für die Anwendung der kurzfristigen Lastvorhersage (STLF) verwendet wird. Im Vergleich zu anderen bestehenden evolutionsbasierten Algorithmen in diesem Bereich nutzt die vorgeschlagene Technik sowohl die Lernfähigkeiten des ANN zur Lösung nichtlinearer und komplexer Probleme als auch den auf Population basierenden CSA-Algorithmus für globale und lokale Suchen. Darüber hinaus wird eine neue Merkmalsauswahlmethode vorgestellt, um die informativsten und redundanzfreiesten Merkmale aus dem Eingabemerkmalset auszuwählen, indem Fuzzy-Mengentheorie und Fuzzy-Clustering-Techniken eingesetzt werden. In Bezug auf die allgemeine Leistungsverbesserung des CSA-Algorithmus werden drei Teilmodifikationen vorgeschlagen, um die Suchfähigkeit des CSA zu erweitern und eine vorzeitige Konvergenz zu vermeiden. Schließlich wird zur Demonstration der Wirksamkeit und Überlegenheit der vorgeschlagenen Methode im Vergleich zu anderen bestehenden Methoden ein reales Datenset zu den täglichen Spitzenwerten des elektrischen Lastverbrauchs bereitgestellt, und die Simulationsergebnisse zeigen die verbesserte Vorhersagegenauigkeit der vorgeschlagenen Methode im Vergleich zu anderen gängigen Techniken in der STLF-Anwendung.