روزانه ارائه ميكند. از آنجاييكه الگوهاي مشابهي در (PLF) اين مقاله يك مدل شبكه عصبي تلفيقي براي پيشبيني پيک بار الکتريکي
دادههاي پيك بار وجود دارد، خوشهبندي دادهها دقت پيشبينيها را افزايش خواهد داد. اكثر خوشهبنديهاي ارائه شده در ادبيات بدون دليل
و صرفَا شهودي بودهاند. در اين مقاله، ما رويكرد جديدي براي خوشهبندي دادهها با استفاده از دو نقشه خودسازمانده پياپي ارائه ميكنيم. يك
توسعه داده شده است. جهت ارزيابي اثربخشي مدل PLF براي هر يك از خوشهها جهت پيشبيني (FFNN) شبكه عصبي پيشخوراند
تلفيقي پيشنهادي، پيشبيني بوسيله توسعه يك شبكه عصبي پيشخوراند كه از دادههاي خوشهبندي نشده استفاده ميكند، انجام شده است.
توسعه داده شده است و نتايج PLF نتايج برتري اثربخشي مدل تلفيقي پيشنهادي را ثابت ميكند. همچنين، مدلهاي رگرسيون خطي براي
نشان ميدهد كه مدل تلفيقي پيشنهادي به ميزان قابلتوجهي، پيشبينيهاي بهتري را نسبت به مدلهاي رگرسيون خطي تلفيقي توليد
ميكند. لازم بذكر است كه از دادههاي پيك بار شركت برق منطقهاي تهران جهت آزمايش و اعتبارسنجي مدل استفاده شده است.
