كنفرانس بين المللی مهندسی صنايع و سيستم ها

صفحه اصلی / دوازدهمین كنفرانس بين المللی مهندسی صنايع و سيستم ها

پیشبینی شاخصهای عملکردی با استفاده از مدل ترکیبی سری زمانی و یادگیری ماشین؛ مطالعه موردی شاخص تلفات برق در شرکت توزیع نیروی برق شهرستان مشهد

نویسندگان :

صادق صفارخراسانی¹ مصطفی یوسف زاده² کیهان بنی هاشمی³

1- شرکت توزیع برق مشهد 2- شرکت توزیع برق مشهد 3- شرکت توزیع برق مشهد

کلمات کلیدی :

شاخصهای کلیدی عملکرد،پیشبینی شاخص عملکرد،تلفات شبکه توزیع برق،مدل ترکیبی،LSTM،XGBoost،ARIMA

چکیده :

شاخصهای کلیدی عملکرد یکی از مهمترین ابزارهای پایش و ارزیابی عملکرد سازمانها محسوب میشوند؛ با این حال، رویکردهای سنتی مدیریت شاخصها عمدتاً بر تحلیل عملکرد گذشته و گزارش وضعیت موجود متمرکز بوده و قابلیت محدودی برای پیشبینی روند آینده شاخصها دارند. این مسئله در صنعت برق، بهویژه در شرکتهای توزیع نیروی برق، به دلیل حجم بالای دادهها، وجود الگوهای زمانی و غیرخطی و تأثیرپذیری شاخصها از عوامل متعدد، اهمیت بیشتری پیدا میکند. پژوهش حاضر با هدف ارائه چارچوبی ترکیبی برای پیشبینی روند شاخصهای عملکردی، با تمرکز بر شاخص تلفات برق در شرکت توزیع نیروی برق شهرستان مشهد، انجام شده است. در چارچوب پیشنهادی، دادههای تاریخی شاخص و متغیرهای مؤثر پس از پیشپردازش و مهندسی ویژگی، با رعایت ترتیب زمانی و استفاده از اعتبارسنجی پنجره غلتان برای آموزش و ارزیابی مدل آماده شدهاند. سپس مدل ARIMA برای استخراج روند و مؤلفههای خطی سری زمانی و الگوریتم یادگیری ماشین XGBoost برای مدلسازی روابط غیرخطی به کار گرفته شده و خروجی آنها در قالب یک پیشبینی ترکیبی مورد استفاده قرار گرفته است. نتایج حاصل از مقایسه مقادیر واقعی و پیشبینیشده در 12 ماه مورد بررسی نشان داد که مقدار MAE برابر با 1.329 واحد درصد، RMSE برابر با 1.664 واحد درصد و MAPE برابر با 12.59 درصد بوده است. تحلیل ماهانه خطا نشان داد که مدل در دورههای با تغییرات نسبتاً پایدار عملکرد بهتری داشته، اما در دوره افزایش ناگهانی شاخص، بهویژه در ماههای شهریور تا آبان، با کمبرآوردی قابل توجه مواجه شده است. بیشترین خطای مطلق برابر با 3.27 واحد درصد در شهریورماه مشاهده شد. این یافته نشان میدهد که اگرچه مدل از قابلیت مناسبی برای پیشبینی روند در شرایط عادی برخوردار است، برای شناسایی شوکها و تغییرات ساختاری شاخص نیازمند استفاده از متغیرهای برونزا و سازوکارهای پیشرفتهتر تحلیل عدمقطعیت است. همچنین، استفاده از روشهای هوش مصنوعی توضیحپذیر نظیر SHAP و نمایش نتایج در محیط Power BI میتواند قابلیت تفسیر و استفاده مدیریتی از پیشبینیها را افزایش دهد. بر این اساس، چارچوب پیشنهادی میتواند بهعنوان مبنایی برای گذار از مدیریت پسنگر شاخصهای عملکردی به مدیریت پیشنگر و ایجاد سازوکار هشدار زودهنگام در شرکتهای توزیع نیروی برق مورد استفاده قرار گیرد.