استفاده از شبکههای عصبی ترکیبی و روش بهینهسازی آموزش جامع ازدحام ذرات بهمنظور پیشبینی کوتاهمدت بار الکتریکی
Publish Year: 1398
نوع سند: مقاله ژورنالی
زبان: Persian
View: 314
This Paper With 8 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
JR_ISEE-10-1_003
تاریخ نمایه سازی: 12 اسفند 1399
Abstract:
پیشبینی کوتاهمدت بار الکتریکی همواره بهعنوان یکی از عناصر کلیدی در عملکرد اقتصادی و ایمن سیستمهای قدرت بهحساب میآید. در محیط رقابتی بازار برق، شرکتهای برق به رویکردهای دقیقتری برای پیشبینی بار بهمنظور گرفتن تصمیمات بهتر درزمینه خرید و یا تولید برق نیازمند هستند. در این مقاله روشی نوین برای پیشبینی کوتاهمدت بار الکتریکی بر مبنای یادگیری ماشینی ارائهشده است. این روش از یک فرایند انتخاب دادهی مؤثر دومرحلهای و یک موتور پیشبینی نوین تشکیل شده است. در بخش انتخاب داده مؤثر از دو فیلتر مجزای نامربوط بودن و زائد بودن برای انتخاب بهترین مجموعه دادههای ورودی استفاده شده است. در موتور پیشبینی پیشنهادی از یک ماشین بردار پشتیبان، شبکه عصبی ترکیبی و روش بهینهسازی آموزش جامع ازدحام ذرات، استفادهشده است. با بکارگیری روش بهینهسازی آموزش جامع ازدحام ذرات در کنار شبکه عصبی ترکیبی، دقت پیشبینی افزایش یافته و از خطای آن به میزان موثری کاسته میشود. رویکرد پیشنهادی در بازارهای برق PJM و AEMO مورد بررسی قرار گرفته است. نتایج عددی بهدستآمده، نشاندهندهی کارایی و توانایی قابلقبول این روش در مقایسه با آخرین روشهای ارائهشده درزمینه پیشبینی کوتاهمدت بار الکتریکی است.
Keywords:
انتخاب داده موثر , موتور پیشبینی , شبکه عصبی ترکیبی , بهینهسازی ازدحام ذرات , پیشبینی کوتاهمدت بار الکتریکی
Authors
محمدرضا عمارتی
دانشکده مهندسی برق و کامپیوتر، دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته- کرمان- ایران
فرشید کی نیا
پژوهشکده مدیریت و بهینهسازی انرژی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی- کرمان- ایران
علیرضا عسکرزاده
پژوهشکده مدیریت و بهینهسازی انرژی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی- کرمان- ایران
مراجع و منابع این Paper:
لیست زیر مراجع و منابع استفاده شده در این Paper را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود Paper لینک شده اند :