صفحه محصول - مبانی نظری و پیشینه تحقیق داده کاوی 10

توضیحات

مبانی نظری و پیشینه تحقیق داده کاوی 10 (docx) 31 صفحه

دسته بندی : تحقیق

نوع فایل : Word (.docx) ( قابل ویرایش و آماده پرینت )

تعداد صفحات: 31 صفحه

قسمتی از متن Word (.docx) :

دانشکدهی آموزشهای الکترونیکی پاياننامه دوره کارشناسي ارشد در رشتهی مهندسي فناوري اطلاعات (تجارت الکترونیک) تحلیل و پیشبینی رفتار مصرف برق مشترکین با استفاده از تکنیکهای دادهکاوی (مطالعه موردی: شرکت توزیع نیروی برق آذربایجان غربی) به کوشش: احسان خسرویفر استاد راهنما: دکتر بهروز مینایی تقدیم به: با درود به روح بزرگ پدرم و بوسه بر دستان مادرم، این رساله را به همسرعزیزم ... که سایه مهربانیش سایهسار زندگیم میباشد، او که اسوه صبر و تحمل بوده و در لحظه لحظههای اجرای این کار تحقیقی، یار و همراهم بود، تقدیم مینمایم. سپاسگزاری سپاس خدای را که سخنوران، در ستودن او بمانند و شمارندگان، شمردن نعمتهای او ندانند و کوشندگان، حق او را گزاردن نتوانند. و سلام و دورد بر محمّد و خاندان پاك او، طاهران معصوم، هم آنان که وجودمان وامدار وجودشان است؛ و نفرين پيوسته بر دشمنان ايشان تا روز رستاخيز . . . بدون شک جایگاه و منزلت معلم، اجّل از آن است که در مقام قدردانی از زحمات بیشائبهی او، با زبان قاصر و دست ناتوان، چیزی بنگاریم. اما از آنجایی که تجلیل از معلم، سپاس از انسانی است که هدف و غایت آفرینش را تامین میکند و سلامت امانتهایی را که به دستش سپردهاند، تضمین؛ بر حسب وظیفه و از باب "من لم یشکر المنعم من المخلوقین لم یشکر اللَّه عزّ و جلّ" از پدر و مادر عزیزم ... این دو معلم بزرگوارم ... که همواره بر کوتاهی و درشتی من، قلم عفو کشیده و کریمانه از کنار غفلتهایم گذشتهاند و در تمام عرصههای زندگی یار و یاوری بیچشمداشت برای من بودهاند؛ از استاد گرامی و بزرگوار، جناب آقای دکتر مینایی که در کمال سعهصدر، با حسنخلق و فروتنی، از هیچ کمکی در این عرصه بر من دریغ ننمودند و زحمت راهنمایی این رساله را بر عهده گرفتند، نهایت تشکر و سپاسگزاری را دارم. همچنین از اساتید محترم جناب آقای دکتر اقبال منصوری و دکتر محمدهادی صدرالدینی به خاطر راهنماییها و کمکهای ارزندهشان صمیمانه سپاسگزاری مینمایم. باشد که این خردترین، بخشی از زحمات آنان را سپاس گوید . فهرست مبانی نظری و پیشینه تحقیق 2-1- مقدمه . . . . . . . . . . . . . . . . . . 2-7- دادهکاوی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27 2-7-1- اهداف دادهکاوی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29 2-7-2- روشهای دادهکاوی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .30 2-7-2-1- دستهبندی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30 2-7-2-2- خوشهبندی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .31 2-7-2-3- تحلیل وابستگی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .31 2-7-3- فرآیند دادهکاوی ( مدل CRISP-DM ) . . . . . . . . . . . . . . . . . . . . . . . . . .32 2-8- چکیده فصل . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .34 فصل دوم:مبانی نظری و پیشینه 2-7- دادهکاوی دادهکاوی در اواخر دهه 1980 پديدار گشته، در دهه 1990 گامهای بلندی در اين شاخه از علم برداشته شده و انتظار میرود در اين قرن به رشد و پيشرفت خود ادامه دهد ]23[. دادهکاوی فرآيند یافتن الگوها و دانش مفید از داده میباشد، که اين دانش به صورت ضمنی در پايگاهدادههای عظيم، انباره داده و ديگر مخازن بزرگ اطلاعات، ذخيره شده است. تعاريف مختلفي از دادهکاوي ارائه شده است که در اينجا به چند مورد از آنها اشاره ميشود: دادهکاوی در حقیقت، کشف ساختارهای قابل توجه، غیرمنتظره و با ارزش از داخل مجموعهی وسیعی از داده میباشد و فعالیتی است که اساسا با آمار و تحلیل دقیق دادهها منطبق است ( دیوید هند، 1998). دادهکاوی عبارت است از فرآیند انتخاب، اکتشاف و مدل کردن مقادیر زیادی داده به منظور کشف نظم خاص یا ارتباط ویژهای که قبلا ناشناخته بوده و حالا نتایج واضح و مفیدی را برای کاربر بانک اطلاعاتی به ارمغان میآورد ( بری و لینوف، 1997) دادهکاوی فرآیند خودکار کشف اطلاعات مفید از پایگاه دادههای بزرگ میباشد. تکنیکهای دادهکاوی برای یافتن الگوهای بدیع و مفید به کار میرود که در غیر اینصورت ناشناخته باقی خواهند ماند]24[. واژههای دادهکاوی و کشفدانش در پایگاه داده اغلب به صورت مترادف یکدیگر مورد استفاده قرار میگیرند. کشف دانش به عنوان يک فرآيند در شکل 2-7 نشان داده شده است. کشف دانش در پایگاه داده، فرآیند شناسایی درست، ساده، مفید، و نهایتا الگوها و مدلهای قابل فهم در دادهها میباشد. بنابراین دادهکاوی، مرحلهای از فرآیند کشف دانش بوده و شامل الگوریتمهای مخصوص دادهکاوی است، بطوریکه تحت محدودیتهای مؤثر محاسباتی قابل قبول، الگوها و یا مدلها را در داده کشف میکند ]25[. به عبارتی، دادهکاوی گونهای از تکنیکها برای شناسایی اطلاعات و یا دانش تصمیمگیری از قطعات داده میباشد، به نحوی که با استخراج آنها، در حوزههای تصمیمگیری، پیشبینی و تخمین مورد استفاده قرار گیرند. شکل 2-7: دادهکاوی به عنوان يک مرحله از فرآيند کشف دانش ]26[ 2-7-1- اهداف دادهکاوی به طور کلی میتوان اهداف دادهکاوی را در دو گروه بزرگ پیشبینی و توصیف، طبقهبندی نمود ]23[. پیشبینی پیشبینی، استفاده از خصیصههای معین در مجموعه دادهها، برای پیشبینی مقادیر دیگر خصیصهها میباشد. مانند پیشبینی اینکه کدام یک از کاربران برخط در یک وب سایت تجارت الکترونیک، اقدام به خرید میکنند، و پیشبینی قیمتهای آتی سهامها. توصیف توصیف، سعی بر یافتن الگوهای قابل فهم برای انسان دارد، که خصوصیات ویژهای از داده را شرح میدهند. مانند پیدا کردن الگوهای گوناگون حمله سایبری که بر علیه یک شبکه کامپیوتری رخ داده است، مشخص نمودن گروههای متنی با موضوع یکسان و کشف عاملهای جوی و اقلیمی موثر در آبوهوا ]4[. 2-7-2- روشهای دادهکاوی روشهای دادهکاوی را میتوان به سه روش کلی تقسیمبندی نمود. 2-7-2-1- دستهبندی دستهبندی یکی از متداولترین روشهای دادهکاوی است و به ارزشیابی ویژگیهای مجموعهای از دادهها میپردازد و سپس آنها را به مجموعهای از گروههای از پیش تعریف شده اختصاص میدهد. در واقع این روش عبارت است از تطبیق بین یک فضای ویژگی و یک فضای برچسب، که ویژگیها بیانگر خصوصیات عناصر برای دستهبندی و برچسبها نشاندهنده کلاسها است. یک مدل دستهبندی کننده میتواند برای پیشبینی برچسب کلاس رکوردهای جدید و ناشناخته استفاده شود. در حالت توصیفی نیز میتواند به عنوان ابزار بیانگری برای تمایز بین اشیاء کلاسهای مختلف در نظر گرفته شود. این تکنیک اغلب مناسب برای پیشبینی یا توصیف مجموعه دادههای باینری و اسمی است ]24[. در مدلسازی پیشگویانه اگر مجموعه مقادیر کلاس هدف گسسته باشد، به آن دستهبندی و اگر مجموعه مقادیر کلاس هدف پیوسته باشد به آن رگرسیون میگویند. از کاربردهای دستهبندی، پیشبینی اقدام به خرید کاربران برخط در یک وبسایت تجارت الکترونیک و از کاربردهای رگرسیون پیشبینی قیمتهای آتی سهامهای مختلف، میباشد. 2-7-2-2- خوشهبندی خوشهبندی تقسیم یک گروه ناهمگن به چندین زیرگروه یا خوشه همگن است. خوشهبندی به طور خودکار ویژگیهای متمایز کننده خوشهها را تعریف کرده و آنها را شکل میدهد، به طوریکه پایگاه داده را به چندین بخش تقسیم کرده و خوشههایی از رکوردها را به وجود میآورد که نمایانگر یا صاحب صفات خاصی هستند. اعضای درون یک خوشه شباهتهای زیادی به یکدیگر داشته ولی اعضای هر خوشه با اعضای موجود در خوشههای دیگر شباهت کمتری را خواهند داشت. بهترین خوشهبندی زمانی اتفاق میافتد که بیشترین شباهت در داخل هر خوشه و کمترین شباهت بین خوشهها باشد. کار خوشهبندی بسیار شبیه دستهبندی است. تفاوت آنها در اینست که کلاسها در دستهبندی از پیش تعریف و ساخته شدهاند، اما در خوشهبندی، خوشهها در حین تحلیل دادهها بدست میآیند. خوشهبندی دادهها میتواند بخشی / سلسله مراتبی، کاملا جدا / فازی ( همپوشان ) و یا کامل / ناقص باشد. خوشهبندی کاربردهای فراوانی دارد، مانند تقسیم متنها بر اساس موضوع ]24[ و تقسیم سرزمینها بر اساس پوشش گیاهی. 2-7-2-3- تحلیل وابستگی برای شناسایی احتمال رخداد پذیرش یک آیتم به همراه یک یا چند آیتم دیگر استفاده میشود. با استفاده از این ابزار و دادههای تراکنشی، میتوان فهمید که مشتریان به چه آیتمهایی به طور همزمان نیاز دارند. پیدا کردن دو یا چند آیتم به هم مرتبط بیانگر وجود یک ارتباط معنایی بین آنها است. از این ابزار در ارائهی پیشنهاد خرید آیتمهای مرتبط با آیتم خریداری شده اولیه توسط مشتری استفاده میشود. مشهورترین کاربرد آن در مسئله تحلیل دادههای سبد خرید است. 2-7-3- فرآیند دادهکاوی ( مدل CRISP-DM ) در چند سال اخیر، استانداردهای گوناگون دادهکاوی تحقق یافته و امروزه توسط بسیاری از سازندگان برنامههای کاربردی دادهکاوی، استفاده میشود. استانداردهای دادهکاوی موضوعات گوناگونی را در ارتباط با دادهکاوی در بر میگیرد، که این موارد عبارتند از: فرآیند کلی دادهکاوی از ساختن مدل، ارزیابی و بکارگیری آن استانداردهایی برای پاکسازی، تبدیل و جمعبندی خصیصهها، برای ورودی مدلهای دادهکاوی استانداردهایی برای تنظیم پیشنیازهای مدلسازی، جهت استفاده از خروجی مدل در دیگر سیستمها استاندارد واسطها و برنامهنویسی واسطهای کاربردی استانداردهایی برای نمایش، تحلیل و کاوش دادهها استانداردهای وضع شده به جنبههای گوناگون و ابعاد مختلف کاربردهای دادهکاوی اشاره دارند. یکی از این استانداردها برای فرآیند دادهکاوی، استاندارد CRISP-DM میباشد که در سال 1996 با همکاری شرکتهای دايملر کرايسلر( بنز)، اس پي اس اس و ان سي آر اقدام به تهیه آن شده است. این استاندارد، صنعتی، ابزاری با کاربردهای فراگیر برای تعریف و تصدیق فرآیند دادهکاوی تهیه شده است. مدل مرجع دادهکاوی در استاندارد CRISP-DM، یک نمای کلی از چرخه دوام یک پروژه دادهکاوی را فراهم میآورد. این مدل شامل مراحل پروژه، وظایف هر کدام و ارتباط بین آنها میباشد. چرخه دوام یک پروژه دادهکاوی شامل شش مرحله است که در شکل 2-8 نشان داده شده است. توالي اين مراحل انعطافپذير ميباشد و برگشت به مراحل قبلي و مسيرهاي آزاد بين مراحل گاهي مورد نياز است. شکل 2-8: مراحل مدل مرجع فرآیند دادهکاوی]27[ درک تجاری: اولین مرحله بر روی تعریف مساله تجاری، درک اهداف و پیشنیازهای آن، سپس تبدیل این دانش به یک مساله دادهکاوی و طراحی یک طرح اولیه برای رسیدن به این اهداف، تمرکز دارد. درک داده: مرحله درک دادهها، با گردآوری دادههای اولیه شروع و سپس با فعالیتهایی از قبیل آشنایی با دادهها، تشخیص مشکلات کیفیت دادهها، یافتن دیدگاه اولیه نسبت به دادهها و یا شناسایی زیرمجموعههای جالب برای شکل دادن فرضیههایی درباره اطلاعات پنهان، ادامه می یابد. پیشپردازش داده: مرحله پیشپردازش دادهها، تمام کارهای لازم برای ساختن مجموعه دادههای نهایی ( دادههایی که به ابزار مدلسازی وارد میشوند ) از دادههای خام اولیه، را پوشش میدهد. فعالیت پیشپردازش دادهها ممکن است بارها انجام شوند و دارای نظم خاصی نیست. این کارها شامل انتخاب جدول، تراکنشها و خصیصهها و همچنین تبدیل و پاکسازی دادهها برای ابزار مدلسازی میباشد. ساختن مدل: در این مرحله، روشهای مختلف مدلسازی انتخاب و استفاده شده و پارامترهای این روشها برای رسیدن به یک مقدار بهینه، تنظیم میشوند. معمولا برای یک مساله دادهکاوی چندین روش برای ساختن مدل وجود دارد. برخی روشها نیاز به دادههایی با قالب ویژه دارند. بنابراین بازگشت به مرحله پیشپردازش دادهها، اغلب لازم است. ارزیابی مدل: در این مرحله از پروژه، مدلهای ساخته شده که به نظر میرسد از دیدگاه تحلیل دادهها، دارای کیفیت بالایی باشد، پیش از استفاده نهایی، برای اطمینان از توانایی مدل برای دستیابی به اهداف تجاری، ارزیابی و بازبینی میشوند. در پایان این مرحله باید درباره استفاده از نتایج دادهکاوی تصمیم گرفت. بکارگیری: معمولا ساختن مدل، مرحله پایانی پروژه نیست. حتی اگر هدف از مدل، ارتقا دانش نسبت به دادهها باشد، باید دانش به دست آمده به شکلی سازماندهی و ارائه شود تا مشتریان بتوانند از آن استفاده کنند. بر حسب نیاز، مرحله بکارگیری میتواند به سادگی تولید یک گزارش و یا به پیچیدگی پیادهسازی یک فرآیند تکراری دادهکاوی برای یک موسسه تجاری باشد. در بسیاری از موارد، این مشتری و نه تحلیلگر داده است که مرحله بکارگیری را انجام میدهد. هر چند اگر تحلیلگر داده بخواهد مرحله بکارگیری را انجام دهد، برای مشتری مهم است پیشاپیش بداند برای استفاده واقعی از مدل ساخته شده، لازم است چه کارهایی انجام دهد ]27[. 2-8- چکیده فصل در این فصل مفاهیم اولیه تحقیق به تفصیل بیان گردید. در بخش ابتدایی به مقوله انرژی الکتریکی، اهمیت و ویژگیهای آن از جمله عدم امکان ذخیرهسازی پرداخته شد. با بررسی تاریخچه و آمارهای مصرف برق در بخشهای مختلف خانگی، تجاری، عمومی، صنعتی، حملونقل و کشاورزی، مشخص شد که بخش خانگی دارای بیشترین تعداد مشترکین بوده و سهم عمدهای از مصرف را به خود اختصاص میدهد. پیشبینی میزان مصرف برق و شناخت الگوی مصرف به عنوان دو موضوع اصلی در مدیریت مصرف انرژی الکتریکی میباشد که تحت تاثیر عوامل مختلفی قرار دارند. بررسی این عوامل، نشاندهندهی این مطلب بود که عوامل اقتصادی و اجتماعی در درازمدت بر میزان مصرف موثر بوده، در حالیکه در دورههای کوتاهمدت و میانمدت نقش عوامل محیطی برجستهتر است. در بخش بعدی، با معرفی دادهکاوی و بیان اهداف آن، روشهای مورد استفاده برای پیشبینی و توصیف مورد بررسی قرار گرفت. در انتها مراحل ششگانهی استاندارد CRISP-DM جهت استفاده در این پژوهش توضیح داده شد. فصل سوم: مروری بر ادبیات تحقیق 3-1- پیشینه تحقیق تحقیق در زمینه پیشبینی میزان مصرف انرژی الکتریکی، در سالهای اخیر، توجه بسیاری از محققین را به خود جلب کرده است. دورههای زمانی پیشبینی که میتواند از یک ساعت تا چند سال باشد و نیز متغیرهای موثر بر مصرف برق موجب تنوع و پیچیدگی در الگوهای مصرف برق گردیده است. از طرف دیگر، وجود ابزارهای متعدد در زمینهی پیشبینی، منجر به گسترش مدلهای پیچیده شده است. طبق مطالب ارائه شده در فصلهای پیشین، مسئلهی پیشبینی میزان مصرف انرژی الکتریکی، با توجه به دورههای زمانی به سه نوع درازمدت، میانمدت و کوتاهمدت تقسیم میشود. دورهی زمانی درازمدت شامل یک تا چند سال، میانمدت از چند روز تا چند هفته و چند ماه، و کوتاهمدت معمولا دورههای از یک ساعت تا چند روز را پوشش میدهد. همچنین الگوی مصرف برق بصورت توابع پیچیده و غیرخطی است که در حالت کلی تحت تاثیر عوامل اقتصادی (تولید ناخالص داخلی، درآمد ملی، سرمایه و ... )، عوامل اجتماعی ( جمعیت، فرهنگ و ... ) و عوامل محیطی ( دما، آلودگی، منطقه جغرافیایی و ... ) قرار میگیرد. بهطور کلی، دو رویکرد متفاوت از روشهای پیشبینی وجود دارد، یکی آنهایی که بر اساس تجزیه و تحلیلهای آماری هستند و دیگری آنهایی که مبتنی بر تکنیکهای دادهکاوی و هوش محاسباتی میباشند. تلاشهای زیادی توسط محققان به منظور پیشبینی بهینه مصرف برق در بسیاری از کشورها انجام گرفته است، که در ادامه به بیان چند نمونه و بررسی آنها از سه جنبهی دوره پیشبینی، عوامل موثر در نظر گرفته شده در پژوهش، و روش استفاده شده برای پیشبینی میزان مصرف در دورهی بعدی میپردازیم: چینگ لای به بررسی تاثیر متغیرهای آبوهوایی بر میزان تقاضای ماهیانه ( میانمدت) برق در انگلستان و ولز پرداخت. یک مدل رگرسیون چندگانه برای پیشبینی تقاضای ماهیانه برق بر اساس متغیرهای آبوهوایی، تولید ناخالص داخلی، و رشد جمعیت توسعه داده شد ]28[. در مطالعه دیگر اجیلیاوغلو و همکارانش تاثیر متغیرهای اقتصادی را بر مصرف سالیانه (دراز مدت) برق در قبرس برای دوره زمانی 1988-1997 مورد مطالعه قرار دادند. با استفاده از تجزیه و تحلیل رگرسیون چندگانه، به این نتیجه دست یافتند که تعداد مشتریان، قیمت برق و تعداد گردشگران (توریستها) با مصرف سالیانه برق رابطه قابل توجهی دارند ]29[. آزاده وهمکارانش با تجمیع شبکههای عصبی و سریهای زمانی، میزان مصرف ماهیانه برق را برای 20 سال گذشته در ایران پیشبینی کردند و این کار از طریق الگوریتم ژنتیک بهینهسازی شد ] 30,31 [. وی در تحقیق دیگری به پیشبینی میزان بار مصرفی ماهیانه کل کشور بر اساس سری زمانی مصرفی برق از مارس 1997 تا فوریه 2005 با استفاده از الگوریتمهای ژنتیک پرداخته است ]32[. نصر و همکارانش با استفاده از شبکه های عصبی مدلی برای پیشبینی مصرف انرژی الکتریکی در کوتاهمدت در لبنان ارائه کرد. در این پژوهش چهار روش شبکهی عصبی ارائه و اجرا شد: (1) مدل تک متغیری بر اساس مقادیر مصرف در گذشته، (2) مدل چند متغیره بر اساس سریهای زمانی پیشبینی مصرف انرژی و یک متغیر وابسته آبوهوایی، با نام درجه روزها، (3) مدل چند متغیره بر اساس پیشبینی مصرف انرژی و متغیر تولید ناخالص ملی. و (4) در نهایت مدل ترکیبی که مصرف انرژی، درجه روزها و تولید ناخالص ملی را با هم ترکیب میکند ]33[. بو یک مدل پیشبینی کنندهی متناوبی برای مصرف ماهیانه برق بر طبق تغییرات موجود در مصرف ارائه کرد. وی در تحقیق خود از روش باکس جنکینز (از روشهای سری زمانی) استفاده نمود ]8[. یک سیستم استنتاج فازی عصبی تطبیقی توسط یوئیل به منظور توسعهی مدل پیشبینی کوتاهمدت برای شبکههای برق آفریقای جنوبی، با در نظر گرفتن دما و رطوبت به عنوان پارامترهای اصلی آبوهوایی موثر بر میزان مصرف انرژی الکتریکی ایجاد شد ]34[. توسط کودوجیانیس و همکارانش، پیادهسازی مدلهای مبتنی بر شبکه عصبی برای پیشبینی مصرف برق بصورت ساعتی در جزیره کرت یونان مورد بحث قرار گرفته است. نتایج به دست آمده نشان داد که طرحهای پیشنهادی پیشبینی بار نسبت به سایر روشهای مرسوم برتر بودند ]35[. سانتوس از شبکههای عصبی در پیشبینی بار برای ساعت بعدی (کوتاهمدت) استفاده کرد. در این روش، همچنین امکان شمول متغیرهای آبوهوایی در بردار ورودی تجزیه و تحلیل شده، و نتیجه نهایی ایجاد یک مدل از نوع غیرحساس به آبوهوا بود ]36[. محمد و بودگر آنالیز رگرسیون خطی چندگانه برای پیشبینی و بررسی تاثیر متغیرهای دموگرافیک و اقتصادی انتخاب شده بر مصرف سالیانه برق در نیوزلند را به کار برد ]37[. عبدالعزیز شریف به پیشبینی میزان بار موردنیاز 24 ساعت بعدی در غرب عربستان با استفاده از دو تکنیک شبکه عصبی و PSO با در نظر گرفتن متغیرهای آبوهوایی به عنوان عامل موثر بر مصرف پرداخته است ]38[. جفری و کلوین با استفاده از سه تکنیک رگرسیون، درخت تصمیم و شبکه عصبی به بررسی میزان مصرف ماهیانه مشترکین خانگی در هنگکنگ پرداخته است، وی از طریق پرسشنامه به جمعآوری اطلاعات 1516 مشترک در رابطه با لوازم برقی خانگی آنها شامل مدل، قدرت مصرفی و ... در بازههای زمانی 30 دقیقهای به مدت یک هفته در فصلهای تابستان و زمستان 1999-2000 اقدام نمود و در نهایت با در نظر گرفتن شرایط آبوهوایی از جمله حداقل و حداکثر دما و رطوبت، این پیشبینی را انجام داده و دقت سه تکنیک مذکور را مورد مقایسه قرار داد ]39[. فارو، کلکوترونی و سانتاموریس به پیشبینی میزان برق مصرفی 90 هتل در کشور یونان به صورت ماهیانه پرداختهاند. در این تحقیق عوامل موثر در نظر گرفته شده متغیرهای آبوهوایی و ویژگیهای ساختمانی هتلها بوده و در نهایت با استفاده از الگوریتم K-means به خوشهبندی آنها در محیط MATLAB پرداخته و ویژگیهای مختلف هر خوشه را برشمردهاند ]41[. نقی و همکارانش در شرق اسلووکی با استفاده از دادههای روزانهی مصرفی برق ( 1 ژانویه 1997 تا 1 دسامبر 1998 ) و بر اساس متغیرهای آبوهوایی همچون دمای متوسط روزانه و متغیرهای زمانی همانند نوع روز و تعطیلات به پیشبینی میزان مصرف در روز بعد در محیط MATLAB پرداختهاند. در این تحقیق ابتدا بر اساس متغیرهای ذکر شده و با استفاده از الگوریتم SOM، مصرفکنندگان به خوشههای مختلف تقسیمبندی شده، سپس با استفاده از الگوریتم SVR، پیشبینی انجام گرفته است ]41[. غمزه و همکارانش با استفاده از تکنیکهای رگرسیون بردار پشتیبان و شبکههای عصبی و نیز با در اختیار داشتن اطلاعات ماهیانه برق مصرفی از سال 1975 تا 2006 به پیشبینی بار ماهیانه کشور ترکیه از سال 2007 تا 2011 اقدام نموده است. یافتههای وی بیانگر دقت بالای SVR نسبت به شبکههای عصبی در تحقیق مذکور میباشد ]42[. حمزک ابی از تکنیک شبکههای عصبی برای پیشبینی مصرف انرژی کل شبکه برق کشور ترکیه در سال 2020 استفاده کرده است. این پیشبینی صرفا بر اساس میزان مصرف چهار بخش خانگی، کشاورزی، حملونقل و صنعت ترکیه از سالهای 1970 تا 2004 در درازمدت بوده است ]43[. کاواکلیاوغلو با در نظر گرفتن عوامل اقتصادی همچون میزان صادرات، واردات، تولید ناخالص ملی، و با استفاده از اطلاعات مصرفی سالیانه از 1975 تا 2006 با الگوریتم SVR به پیشبینی میزان انرژی الکتریکی مورد نیاز تا سال 2026 پرداخته است ]20[. در تحقیقی مشابه وی و همکارانش با در نظر گرفتن متغیرهای اقتصادی به عنوان عوامل موثر بر مصرف با استفاده از شبکههای عصبی و دادههای 1975 تا 2006 به پیشبینی برق مورد نیاز کشور ترکیه تا سال 2027 پرداختند ]13[. آزاده و همکارنش به بررسی مصارف سالیانه بخش صنعت کشور ایران با استفاده از دادههای سری زمانی مصرفی و با بکارگیری شبکههای عصبی از 1979 تا 2003 پرداخته است ]44[. بکالی و همکارانش به پیشبینی کوتاهمدت روزانهی مصرف برق در منطقه پالرمو ایتالیا که دارای آبوهوای مدیترانهای میباشد،و با در نظر گرفتن عوامل آبوهوایی از 1 ژوئن 2002 تا 10 سپتامبر 2003، پرداخته است ]7[. راسانین و همکارانش در سال 2008 طی یکسال به جمعآوری میزان مصرف ساعتی 3989 مشترک در کشور فنلاند در بخشهای مختلف مصرف پرداخته، سپس با استفاده از الگوریتمهای SOM و K-means و با در نظر گرفتن دمای هوا به عنوان عامل موثر، مشترکین را به 18 گروه خوشهبندی نموده است ]21[. 3-2- چکیده فصل تمامی تحقیقات ذکر شده در بالا بیانگر این مطلب است که معمولا پیشبینی بار بصورت کلی بوده و کارکرد مشترکین در نظر گرفته نمیشوند، بلکه مصرف مجموعهای از مشترکین و در حالت مرسومتر کل کشور مورد بررسی قرار میگیرد. بنابراین پیشبینی مصرف تک تک مشترکین میتواند رویکرد جدیدی در زمینه پیشبینی بار باشد. همچنین اکثر تحقیقات در زمینه پیشبینی، مربوط به دورههای زمانی درازمدت و کوتاهمدت میباشد، لذا میتوان ادعا کرد که پیشبینی بار در میانمدت یک جنبه جدید از پیشبینی بار شبکه برق است ]8[. از سوی دیگر، الگوهای رفتار مصرف برق مشترکین تحت تاثیر عوامل موثر بر مصرف انرژی الکتریکی، در پژوهشهای اندکی مورد بررسی قرار گرفته است. بنابراین ما در این مجال بر آنیم که به پیشبینی میزان مصرف بار و بررسی رفتار مصرفی مشترکین در میانمدت با استفاده از تکنیکهای دادهکاوی بپردازیم. منابع ]1[ معاونت امور برق و انرژی، دفتر برنامهریزی کلان برق و انرژی، وزارت نیرو. ترازنامه انرژی 1389، (زمستان1390). ]2[ آهویی، محمدحسین (1378). تاثیر گذارترین‌های تاریخ: شرح احوال و آثار یکصد نفر از موثرترین شخصیت‌های تاریخ جهان. چاپ اول. تهران: انتشارات روزنه. ]3[ مهذب ترابی، سعید. مواخذ قانونی و راهبردهای بهینهسازی مصرف انرژی در کشور. سازمان انرژی بهرهوری ایران (سابا). ]4[ نصیری، نوید (1389). بکارگیری روشهای دادهکاوی در بانکداری الکترونیک برای شناسایی تراکنشهای مالی مشکوک. پایاننامه کارشناسی ارشد، ص 19، قم: دانشگاه قم. ]5[ دفتر فنآوری اطلاعات و آمار، معاونت منابع انسانی و تحقیقات، وزارت نیرو(شهریور ماه 1390). آمار تفصیلی صنعت برق ایران ویژه توزیع نیروی برق در سال 1390. چاپ اول. تهران: انتشارات شرکت مادر تخصصی توانیر. [6] Dilaver, Zafer; Hunt, Lester C. “Modelling and forecasting Turkish residential electricity demand”, Journal of Energy Policy, Vol. 39: 3117-3127, 2001. [7] Beccali, M.; Cellura, M.; LoBrano, V.; Marvuglia, A. “Short-term prediction of household electricity consumption: Assessing weather sensitivity in a Mediterranean area”, Journal of Renewable and Sustainable Energy Reviews, Vol. 12: 2040-2065, 2008. [8] Sadeghi Keyno, H.R.; Ghaderi, F.; Azadeh, A.; Razmi, J. “Forecasting electricity consumption by clustering data in order to decrease the periodic variable’s effects and by simplifying the pattern”, Journal of Energy Conversion and Management, Vol. 50: 829-836, 2009. [9] Arghira, Nicoleta; Hawarah, Lamis; Ploix, Stéphane; Jacomino, Mireille. “Prediction of appliances energy use in smart homes”, Journal of ENERGY, Vol. 48: 128-134, 2012. [10] Selbas, Resat; Sencan, Arzu and Kucuksille, Ecir U. “Data Mining Method for Energy System Applications”, Suleyman Demirel University, Turkey:14. [11] Xu, Minjie; Hu, Zhaoguang; Wu, Junyong; Zhou, Yuhui. “A hybrid society model for simulating residential electricity consumption”, Journal of Electrical Power and Energy Systems, Vol. 30: 569-574, 2008. [12] Tsekouras, G.J.; Kotoulas, P.B.; Tsirekis, C.D.; Dialynas, E.N.; Hatziargyriou, N.D. “A pattern recognition methodology for evaluation of load profiles and typical days of large electricity customers”, Journal of Electric Power Systems Research, Vol. 78: 1494-1510, 2008. [13] Kavaklioglu, Kadir; Ceylan, Halim; Ozturk, Harun Kemal; Ersel Canyurt, Olcay. “Modeling and prediction of Turkey’s electricity consumption using Artiﬁcial Neural Networks”, Journal of Energy Conversion and Management, Vol. 50: 2719-2727, 2009. [14] Kheirkhah, A. ; Azadeh, A.; Saberi, M. ; Azaron, A.; Shakouri, H. “Improved Estimation of Electricity Demand Function by Using of Artificial Neural Network, Principal Component Analysis and Data Envelopment Analysis", Computers & Industrial Engineering, 2012. [15] Wang, Yuanyuan; Wang, Jianzhou; Zhao, Ge; Dong, Yao. “Application of residual modiﬁcation approach in seasonal ARIMA for electricity demand forecasting: A case study of China”, Journal of Energy Policy, Vol. 48: 284-294, 2012. [16] Mazandarani, A.; Mahliaa, T.M.I.; Chonga, W.T.; Moghavvemi, M. “Fuel consumption and emission prediction by Iranian power plants until 2025”, Journal of Renewable and Sustainable Energy Reviews, Vol. 15: 1575-1592, 2011. [17] Amina, M.; Kodogiannis, V.S.; Petrounias, I.; Tomtsis, D. “A hybrid intelligent approach for the prediction of electricity consumption”, Journal of Electrical Power and Energy Systems, Vol. 43: 99-108, 2012. [18] Zhu, Suling; Wang, Jianzhou; Zhao, Weigang; Wang, Jujie. “A seasonal hybrid procedure for electricity demand forecasting in China”, Journal of Applied Energy, Vol. 88: 3807-3815, 2011. [19] Stojanovic, Milos B.; Bozic, Milos M. and Stankovic, Milena M. “Mid-Term Load Forecasting Using Recursive Time Series Prediction Strategy With Support Vector Machines”, Faculty of Electronics Engineering, Vol. 23, No. 3: 287-298, December 2010. [20] Kavaklioglu, Kadir. “Modeling and prediction of Turkey’s electricity consumption using Support Vector Regression”, Journal of Applied Energy, Vol. 88: 368–375, 2011. [21] Räsänen, Voukantsis, Niska, Karatzas, Kolehmainen. “Data-based method forcreating electricity use load proﬁles using large amount of customer-speciﬁc hourly measured electricity use data”, Journal of Applied Energy, Vol. 87: 3538–3545, 2010. [22] Lam, Joseph C.; Wan, Kevin K.W.; Cheung, K.L. “An analysis of climatic inﬂuences on chiller plant electricity consumption”, Journal of Applied Energy, Vol. 86: 933–940, 2009. [23] Hand, David; Mannila, Heikki; Smyth, Padhraic (2001). Principles of Data Mining. ISBN13: 978-0-262-08290-7, The MIT Press. [24] Tan, Pang-Ning; Steinbach, Michael; Kumar, Vipin (2005). Introduction to Data Mining. 1ST ed., ISBN: 0-321-32136-7, Published by Addison Wesley. [25] Edelstein, Herbert A. (1999). Introduction to Data Mining and Knowledge Discovery, Third Edition. [26] Han, Jiawei and Kamber, Micheline (2006). Data Mining Concepts and Techniques, Second Edition. [27] Chapman et al. (August 2000). CRISP-DM 1.0: Step-by-step data mining guide, SPSS Inc. [28] Chiang-Lai H., Marmont A., Simon W., Shanti M., “Analysing the impact of weather variable on monthly electricity demand”, IEEE Trams :2078-2085, 2005. [29] Egelioglu F., Mohamad A.A., Guven H., “Economic variables and electricity consumption in northern Cyprus”, Journal of Energy, Vol. 26: 355-362, 2001. [30] Azadeh, A.; Saberi, M.; Ghaderi, S.F.; Gitiforouz, A.; Ebrahimipour, V. “Improved estimation of electricity demand function by integration of fuzzy system and datamining approach”, Journal of Energy Conversion and Management, Vol. 49: 2165-2177, 2008. [31] Azadeh, A.; Ghaderi, S.F.; Sohrabkhani, S. “Forecasting electrical consumption by integration Of Neural Network, time series and ANOVA”, Department of Industrial Engineering and Research Institute of Energy Management and Planning, Faculty of Engineering, University of Tehran. [32] Azadeh, A.; Tarverdian, S. “Integration of genetic algorithm, computer simulation and design of Experiments for forecasting electrical energy consumption”, Journal of Energy Policy, Vol. 35: 5229–5241, 2007. [33] Nasr, GE; Badr, EA; Younes, MR. “Neural networks in forecasting electricity energy consumption: Univariate and multivariate approaches”, Int J Energy Res: Vol. 26: 67–78, 2002. [34] Yuill, W.; Kgokong, R.; Chowdhury, S. “Management of short term load forecasting in South African power networks”, International conference on power system technology (POWERCON): 1–8, 2010. [35] Kodogiannis, VS; Anagnostakis, EM. “A study of advanced learning algorithms for short-term load forecasting” Eng Appl Artif Intell J, Vol. 44, No. 9: 159–73, 1999. [36] Santos, PJ; Martins, AG; Pires, AJ; Martins, JF; Mendes, RV. “Short-term load forecast using trend information and process reconstruction”, Int J Energy Res: Vol. 30: 811–22, 2006. [37] Mohamed, Z.; Bodger, P. “Forecasting electricity consumption in New Zealand using economic and demographic variables”, Journal of Energy, 2003. [38] Alshareef, Abdulaziz. “Next 24-Hours Load Forecasting for the Western Area of Saudi Arabia Using Artificial Neural Network and Particle Swarm Optimization”, Journal of Engineering and Computer Sciences, Vol. 3, No. 2: 97-117, July 2010. [39] Geoffrey, K.F. Tso, Kelvin, K.W. Yau, “Predicting electricity energy consumption: A comparison of regression analysis, decision tree and neural networks”, Journal of Energy, Vol. 32: 1761-1768, 2007. [40] Farroua, Iﬁgenia; Kolokotroni, Maria; Santamouris, Mat. “A method for energy classiﬁcation of hotels: A case-study of Greece”, Journal of Energy and Buildings, Vol. 55: 553–562, 2012. [41] Nagi, Jawad; Siah Yapb, Keem; Nagi, Farrukh; Kiong Tiongb, Sieh; Ahmed, Syed Khaleel. “A computational intelligence scheme for the prediction of the daily peak load”, Journal of Applied Soft Computing , Vol. 11: 4773–4788, 2011. [42] Ogcu, Gamze; Demirel, Omer F.; Zaim, Selim. “Forecasting Electricity Consumption with Neural Networks and Support Vector Regression”, Journal of Procedia - Social and Behavioral Sciences, Vol. 58: 1576 – 1585, 2012. [43] Hamzacebi, Coskun. “Forecasting of Turkey’s net electricity energy consumption on sectoral bases”, Journal of Energy Policy, Vol. 35: 2009–2016, 2007. [44] Azadeh, A.; Ghaderi, S.F.; Sohrabkhani, S. “Annual electricity consumption forecasting by neural network in high energy consuming industrial sectors”, Journal of Energy Conversion and Management, Vol. 49: 2272–2278, 2008. [45] Tan, Pang-Ning; Michael, Steinbach; Kumar, Vippin. (2005). Introduction to Data Minin. 1ST Edition, ISBN: 0-321-32136-7, Published by Addison Wesley. [46] (2007). Clementine ® 11.1 User’s Guide. ISBN-13: 978-1-56827-387-7, SPSS Inc. [47] Rokach, L.; Maimon, O. (2008). Data Mining with Decision Trees: Theory and Applications. World Scientiﬁc Publishing. [48] Antipov, Evgeny; Pokryshevskaya, Elena. “ Applying CHAID for logistic regression diagnostics and classification accuracy improvement”, Journal of Targeting, Measurement and Analysis for Marketing, Vol. 18: 109-117, 2010. ]49[ علیرضا قراباغی، ویژگی های صنعت برق در جهان و ایران، 1386. [Online]. < http://entecnews.blogsky.com/1386/04/22/post-373>. [5 January 2013] ]50[ شرکت مدیریت تولید برق زنجان، تاریخچه صنعت برق در ایران. [Online]. . [23 December 2012] ]51[ آمار صنعت برق، شرکت توانیر [Online] < http://amar.tavanir.org.ir/pages/project/generation/taarif/tozie.php>. [18 September 2012] [52] IEA, International Energy Agency, Online Data Services. [Online] . [24 December 2012] [53] Diebel, James; Norda, Jacob. “Beautiful Weather Graphs and Maps”. [Online]. < http://weatherspark.com/features_and_help>. [ 1 January 2013] [54] Diebel, James; Norda, Jacob. “Average Weather For Urmia, Iran” [Online]. < http://weatherspark.com/averages/32836/Urmia-Azarbayjan-e-Gharbi-Iran>. [ 1 January 2013]