التنبؤ بالاستهلاك الشهري للكهرباء باستخدام النموذج المختلط الذي يجمع بين النموذج المضبب ونموذج هولت – وينترز
DOI:
https://doi.org/10.65405/gdb4rs49الكلمات المفتاحية:
استهلال الكهرباء، هولت - وينترز، المنطق الضبابي، النماذج المختلطة، التنبؤ، زليتن.الملخص
تعتبر دقة التنبؤ بالاستهلاك الشهري للكهرباء العمود الفقري في كيفية التعامل مع الطلب على الطاقة الكهربائية بحيث تستطيع شركات الكهرباء تحسين خدماتها من حيث الكفاءة وتغطية الطلب وذلك لتتمكن من تقديم الخدمات بشكل مستمر وهذه الدراسة هدفها ايجاد نموذج للتنبؤ باستهلاك الكهرباء الشهري في مدينة زليتن ينتج من دمج نموذجين هما نموذج هولت - وينترز التجميعي ونموذج المنطق الضبابي وفقا لأسلوب تشين (1996) حيث استخدمت بيانات تتمثل في استهلاك الكهرباء الشهري في مدينة زليتين للفترة الممتدة من يناير 2017 وحتى ديسمبر 2024 وهي نفس البيانات المستخدمة في بحثنا السابق [1] كانت نتيجته تفوق نموذج هولت - وينترز التجميعي على نموذج المنطق الضبابي من حيث الدقة في التنبؤ، في هذه الدراسة تم اقتراح نموذج مختلط يتكون من النموذجين السابقين بعد تحديد وزن لكل نموذج بالاعتماد على اسلوب البحث الشبكي تم تطبيقه على بيانات الدراسة للفترة من يناير 2017 إلى ديسمبر 2023 استخدمت كبيانات تجريبية. تم التأكد من صحة النموذج المختلط باستخدام البيانات الشهرية لسنة 2024 واظهرت النتائج دقة اكثر في النموذج المختلط عنها في النماذج السابقة المتمثلة في نموذج هولت - وينترز التجميعي ونموذج المنطق الضبابي وذلك بوزن مثالي يقدر بـ 73% وتم تأكيد ذلك من خلال المعايير الاحصائية المتمثلة في الجذر التربيعي لمتوسط مربعات الاخطاء (RMSE) ومتوسط الخطأ المطلق ( MAE) ومتوسط الاخطاء المئوي المطلق (MAPE) التى اظهرت تفوقاً واضحاً بقيم أقل في كل المعايير. ثم مقارنة النموذج المختلط بالنماذج السابقة باستخدام الاختبارات الاحصائية وكان النموذج المختلط اكثر دلالة إحصائية, وبناءً على هذه النتائج نوصى باستخدام النموذج المقترح المختلط كأداة اساسية للتخطيط وإدارة الطلب على الكهرباء في منطقة الدراسة.
التنزيلات
المراجع
[1] A. Researcher, “A comparative study between Holt-Winters model and fuzzy time series model for forecasting monthly electricity consumption: A case study of Zliten region,” Al-Farooq Journal of Sciences, vol. 2, no. 4, Jun. 2026.
[2] S. Makridakis, S. C. Wheelwright, and R. J. Hyndman, “Forecasting: Methods and Applications,” 3rd ed. John Wiley & Sons, 1998.
[3] R. J. Hyndman and G. Athanasopoulos, “Forecasting: Principles and Practice,” 3rd ed. OTexts, 2021.
[4] G. E. P. Box, G. M. Jenkins, G. C. Reinsel, and G. M. Ljung, “Time Series Analysis: Forecasting and Control,” 5th ed. John Wiley & Sons, 2015.
[5] L. A. Zadeh, “Fuzzy sets,” Information and Control, vol. 8, no. 3, pp. 338-353, 1965.
[6] Q. Song and B. S. Chissom, “Forecasting enrollments with fuzzy time series - Part I,” Fuzzy Sets and Systems, vol. 54, no. 1, pp. 1-9, 1993.
[7] S. M. Chen, “Forecasting enrollments based on fuzzy time series,” Fuzzy Sets and Systems, vol. 81, no. 3, pp. 311-319, 1996.
[8] G. P. Zhang, “Time series forecasting using a hybrid ARIMA and neural network model,” Neurocomputing, vol. 50, pp. 159-175, 2003.
[9] E. S. Gardner, “Exponential smoothing: The state of the art,” Journal of Forecasting, vol. 4, no. 1, pp. 1-28, 2006.
[10] J. W. Taylor, “Short-term electricity demand forecasting using double seasonal exponential smoothing,” Journal of the Operational Research Society, vol. 54, no. 8, pp. 799-805, 2003.
[11] J. R. Hwang and H. K. Yu, “Ratio-based interval lengths for forecasting in fuzzy time series,” IEEE Transactions on Systems, Man, and Cybernetics - Part B: Cybernetics, vol. 36, no. 2, pp. 328-340, 2006.
[12] S. M. Chen and N. Y. Chung, “Forecasting enrollments using high-order fuzzy time series and genetic algorithms,” International Journal of Intelligent Systems, vol. 21, no. 5, pp. 485-501, 2006.
[13] J. M. Bates and C. W. J. Granger, “The combination of forecasts,” Journal of the Operational Research Society, vol. 20, no. 4, pp. 451-468, 1969.
[14] R. T. Clemen, “Combining forecasts: A review and annotated bibliography,” International Journal of Forecasting, vol. 5, no. 4, pp. 559-583, 1989.
[15] P. R. Winters, “Forecasting sales by exponentially weighted moving averages,” Management Science, vol. 6, no. 3, pp. 324-342, 1960.
