Join 60,000+ competitive exam aspirants
सहसंबंध विधियों (correlation methods) की क्या हानि है?
विश्लेषण के लिए अधिक पिछले डेटा की आवश्यकता होती है
अधिक डेटा स्थान की आवश्यकता होती है
कम सटीकता
जनसांख्यिकीय और आर्थिक कारकों के लिए लोड पूर्वानुमान कठिन है
जनसांख्यिकीय और आर्थिक कारकों के लिए लोड पूर्वानुमान कठिन है
पावर सिस्टम लोड पूर्वानुमान में सहसंबंध विधियां बिजली की मांग और विभिन्न स्वतंत्र चर के बीच सांख्यिकीय संबंध खोजने पर निर्भर करती हैं। मुख्य नुकसान यह है कि जटिल जनसांख्यिकीय और आर्थिक कारकों में अक्सर गैर-रेखीय, समय-परिवर्तनशील, या गुणात्मक प्रभाव होते हैं जिन्हें सरल सहसंबंध मॉडल के माध्यम से सटीक रूप से मापना कठिन होता है।
पावर सिस्टम लोड पूर्वानुमान में सहसंबंध विधियां बिजली की मांग और विभिन्न स्वतंत्र चर के बीच सांख्यिकीय संबंध खोजने पर निर्भर करती हैं। मुख्य नुकसान यह है कि जटिल जनसांख्यिकीय और आर्थिक कारकों में अक्सर गैर-रेखीय, समय-परिवर्तनशील, या गुणात्मक प्रभाव होते हैं जिन्हें सरल सहसंबंध मॉडल के माध्यम से सटीक रूप से मापना कठिन होता है।
y=β0+∑i=1nβixi — लोड पूर्वानुमान के लिए रेखीय प्रतिगमन मॉडल
r=∑(xi−x)2∑(yi−y)2∑(xi−x)(yi−y) — पियर्सन सहसंबंध गुणांक
सहसंबंध पूर्वानुमान यह मानता है कि लोड L, स्वतंत्र चर x1,x2,...,xn (जैसे GDP, जनसंख्या, या तापमान) का एक फलन है। यह तकनीक एक भविष्य कहनेवाला मॉडल L=β0+β1x1+...+βnxn स्थापित करने के लिए प्रतिगमन विश्लेषण (आमतौर पर रेखीय) का उपयोग करती है। जबकि यह तकनीकी लोड मापदंडों के लिए प्रभावी है, यह तब संघर्ष करती है जब इनपुट कारक सामाजिक-आर्थिक मानवीय व्यवहार के विशिष्ट अचानक, अनिश्चित, या गैर-मापनीय बदलाव प्रदर्शित करते हैं।
सहसंबंध विधियां अनिवार्य रूप से प्रतिगमन-आधारित दृष्टिकोण हैं।
ये विधियां ऐतिहासिक डेटा ट्रेंडिंग के लिए अच्छा प्रदर्शन करती हैं लेकिन तेजी से बाहरी परिवर्तन वाले परिदृश्यों में विफल हो जाती हैं।
जनसांख्यिकीय चर अक्सर स्टोकेस्टिक होते हैं, जो निर्धारक सहसंबंध मॉडल को कम विश्वसनीय बनाते हैं।
सफल सहसंबंध विश्लेषण के लिए डेटा की उपलब्धता और डेटा की गुणवत्ता आवश्यक शर्तें हैं।
अल्पकालिक पूर्वानुमान के लिए लागू करने में सरल
चरों के बीच एक स्पष्ट सांख्यिकीय संबंध प्रदान करता है
रेखीय प्रवृत्ति की पहचान के लिए उपयोगी
जनसांख्यिकीय और आर्थिक कारकों के लिए लोड पूर्वानुमान कठिन है
ऐतिहासिक डेटा में आउटलेर्स के प्रति संवेदनशीलता
रेखीयता मानती है जो जटिल पावर सिस्टम में मौजूद नहीं हो सकती है
बेस लोड अनुमान
औद्योगिक मांग पूर्वानुमान
मौसमी पीक विश्लेषण
सहसंबंध विधियों की अक्सर टाइम-सीरीज विधियों (जैसे ARIMA) के साथ तुलना की जाती है, जो पूरी तरह से ऐतिहासिक लोड पैटर्न पर केंद्रित होती हैं।
विकल्प A गलत है क्योंकि सहसंबंध विधियां सीमित लेकिन विशिष्ट डेटा के साथ काम कर सकती हैं।
विकल्प C गलत है क्योंकि वे अल्पकालिक स्थिर डेटा के लिए सटीक हैं, लेकिन जटिलता के कारण विफल हो जाते हैं, न कि अंतर्निहित अशुद्धि के कारण।
D सही है — सहसंबंध विधियों की मुख्य कमी गैर-निर्धारक जनसांख्यिकीय और आर्थिक विविधताओं का सटीक अनुमान लगाने में उनकी असमर्थता है जो लोड व्यवहार को निर्धारित करती हैं।
पावर सिस्टम में, कई सामाजिक-आर्थिक कारकों से जुड़े जटिल, गैर-रेखीय पूर्वानुमान के लिए, आर्टिफिशियल न्यूरल नेटवर्क (ANN) या फ़ज़ी लॉजिक जैसी बुद्धिमान तकनीकों को पारंपरिक सहसंबंध के बजाय प्राथमिकता दी जाती है।