en یادداشتی در مورد کارایی عملی استفاده از تبدیل موجک در زمینه ی پیش بینی بار کوتاه مدت در شبکه های هوشمند تخصصي Special پژوهشي Research paper <div style="text-align: justify;">در عصر شبکه هوشمند، پیش‌بینی بار الکتریکی جزء بسیار مهمی از یک سیستم قدرت امن، قابل اعتماد و اقتصادی محسوب می-گردد. به همین علت بسیاری از محققان زمان زیادی را صرف بررسی روش‌های مختلف برای بهبود دقت پیش‌بینی بار کرده‌اند. در این خصوص یکی از روش‌های پرکاربرد در سال های اخیر، تجزیه سری‌های بار به اجزای فرکانس بالا و فرکانس پایین با استفاده از تبدیل موجک می باشد که طبق گزارش‌ها نتایج چشمگیری را در برخی مقالات نشان داده است. در این مقاله با انجام چندین شبیه‌سازی نشان داده شده است که علیرغم برخی از مزایای تبدیل موجک، این روش می تواند نتایج غیرواقعی را به دلیل مشکل اعوجاج مرزی ایجاد کند. در واقع این مقاله کارایی عملی تبدیل موجک در زمینه ی پیش‌بینی بار را از دیدگاه اپراتور سیستمی که هر روز در حال پیش‌بینی پروفیل بار الکتریکی روز بعد است، بررسی می نماید. در این راستا از مدل‌های رگرسیون خطی چندگانه (MLR) و شبکه عصبی مصنوعی (ANN) به همراه تبدیل موجک برای انجام آزمایش‌هایی بر روی مجموعه داده بار الکتریکی شهر نیویورک استفاده شده است.</div> <div style="text-align: justify;">In the smart grid era, load forecasting is the building block of a secure, reliable, and economic power system. Therefore, many researchers have spent a lot of time trying different methods to improve load forecasting accuracy. In recent years, one of the rather frequently used methods is the decomposition of load series into high and low-frequency components using wavelet transform, which reportedly has shown impressive results in some articles. In this paper, through several simulations, it&rsquo;s demonstrated that despite some of the benefits of the wavelet transform, it can produce unrealistic results due to the border distortion problem. In fact, our work investigates the practical efficiency of wavelet transform in the load forecasting task from the viewpoint of a system operator who is forecasting the next day&rsquo;s load profile every day. To this end, Multiple Linear Regression (MLR) and Artificial Neural Network (ANN) models are used with wavelet transform to conduct experiments on New York City electric load dataset.</div> شبکه عصبی مصنوعی, پیش بینی بار, رگرسیون خطی چندگانه, تبدیل موجک Artificial Neural Network, Load Forecasting, Multiple Linear Regression, Wavelet Transform. 55 65 http://joc.kntu.ac.ir/browse.php?a_code=A-10-51-4&slc_lang=en&sid=1 Mohammad Karkhaneh محمد کارخانه m.karkhaneh@modares.ac.ir 10031947532846009685 10031947532846009685 No Electrical & Computer Engineering department, PhD candidate, Tarbiat Modares University, Tehran, Iran گروه مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران Sadjaad Ozgoli سجاد ازگلی ozgoli@modares.ac.ir 10031947532846009686 10031947532846009686 Yes Electrical & Computer Engineering department, Faculty of Electrical & Computer Engineering, Tarbiat Modares University, Tehran, Iran گروه مهندسی برق و کامپیوتر، دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس، تهران، ایران