ناشر تخصصی کنفرانس های ایران

لطفا کمی صبر نمایید

Publisher of Iranian Journals and Conference Proceedings

Please waite ..
Publisher of Iranian Journals and Conference Proceedings
Login |Register |Help |عضویت کتابخانه ها
Paper
Title

پیش بینی بلندمدت تقاضا در "زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان" با استفاده از شبکه عصبی عمیق و ماشین یادگیری شدید

Year: 1401
COI: JR_JIPET-13-49_001
Language: PersianView: 190
This Paper With 21 Page And PDF Format Ready To Download

Buy and Download

با استفاده از پرداخت اینترنتی بسیار سریع و ساده می توانید اصل این Paper را که دارای 21 صفحه است به صورت فایل PDF در اختیار داشته باشید.
آدرس ایمیل خود را در کادر زیر وارد نمایید:

Authors

سپهر معلم - گروه مهندسی صنایع- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
رویا محمدعلی پوراهری - گروه مهندسی صنایع- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
غضنفر شاهقلیان - مرکز تحقیقات ریز شبکه های هوشمند- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
مجید معظمی - دانشکده مهندسی برق- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
سید محمد کاظمی - گروه مهندسی صنایع- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

Abstract:

صنایع سنگ آهن اسپیدان یکی از صنایع پر مصرف برق در زنجیره تامین انرژی الکتریکی استان اصفهان به­عنوان دومین قطب صنعتی کشور و یکی از تامین­کنندگان اصلی مواد اولیه در زنجیره تامین صنایع فولاد کشور است. برنامهریزی در یک زنجیره تامین انرژی الکتریکی با ابعاد بزرگ در فضائی پر از تردید و عدم قطعیت، با پیشبینی تقاضای انرژی ­الکتریکی آغاز می­گردد. در این مقاله یک روش پیش­بینی بلندمدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان اصفهان با استفاده از یک روش ترکیبی شامل تبدیل موجک، شبکه عصبی عمیق و تکنیک داده­کاوی مبتنی بر ماشین یادگیری شدید پیشنهاد شده است. داده­های مورد نظر در این مطالعه با توجه به اطلاعات ثبت شده از سیگنال تقاضای انرژی الکتریکی صنایع تولیدی سنگ آهن اسپیدان در یک بازه زمانی ۴۰ ماهه و به­صورت ۲۴ ساعته استخراج و استفاده شده است. داده­ها در بخشی از دوره مورد نظر ناشی از عدم تولید این صنعت در بازه مورد مطالعه منقطع بود به­طوری­که فقط ۴۰ درصد از داده­ها دارای مقدار و ۶۰ درصد مابقی صفر یا ناهمگون بوده­اند. این موضوع باعث نقص اطلاعات و بالا رفتن خطای پیش­بینی در بخش اول الگوریتم پیشنهادی در خروجی شبکه عصبی عمیق تا ۴۰ درصد شد. جهت بهبود پیش­بینی و کاهش خطای ایجاد شده، با تکمیل مدل پیشنهادی با ماشین یادگیری شدید، امکان ایجاد یک مدل پیش­بینی بهبود­یافته برای انجام آموزش تحت نظارت میسر گردید. در نهایت نتایج به­دست آمده با تکنیک­های دیگری مانند ماشین بردار پشتیبان و درخت تصمیم­گیری مقایسه شده است. نتایج بهبود و کاهش خطا و افزایش قابل توجه دقت روش پیشنهادی در پیش­بینی بلند-مدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان را نشان می­دهند.

Keywords:

Paper COI Code

This Paper COI Code is JR_JIPET-13-49_001. Also You can use the following address to link to this article. This link is permanent and is used as an article registration confirmation in the Civilica reference:

https://civilica.com/doc/1289360/

How to Cite to This Paper:

If you want to refer to this Paper in your research work, you can simply use the following phrase in the resources section:
معلم، سپهر و محمدعلی پوراهری، رویا و شاهقلیان، غضنفر و معظمی، مجید و کاظمی، سید محمد،1401،پیش بینی بلندمدت تقاضا در "زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان" با استفاده از شبکه عصبی عمیق و ماشین یادگیری شدید،https://civilica.com/doc/1289360

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 :

  • M. Tan, S. Yuan, S. Li, Y. Su, H. Li, ...
  • M. Abdollahi, M. Moazzami, “Day-ahead coordination of vehicle-to-grid operation and ...
  • A. T. Eseye, M. Lehtonen, T. Tukia, S. Uimonen, R.J. ...
  • T. Hong, P. Pinson, Y. Wang, R. Weron, D. Yang, ...
  • S.H. Mozafarpoor-Khoshrodi, G. Shahgholian, "Improvement of perturb and observe method ...
  • H. Karimi, B. Fani, G. Shahgholian, “Coordinated protection scheme based ...
  • F. Keynia, G. Memarzadeh, “Short term electric load prediction based ...
  • M. Moazzami, S. J. Hosseini, H. Shahinzadeh, G. Gharehpetian, J. ...
  • R. Ebrahimi, G. Shahgholian, B. Fani, “Fast islanding detection for ...
  • B. Fani, S. Fehresti-Sani, E. Adib, “Short-term load forecasting of ...
  • S. N. Emenike, G. Falcone, “A review on energy supply ...
  • O. Abedinia, N. Amjady, H. Zareipour, “A new feature selection ...
  • H. Shayeghi, A. Ghasemi, “Modeling of multi input multi output ...
  • W.M. Lin, C. S. Tu, R. F. Yang, M. T. ...
  • H. Fang, J. Ma, W. Zhang, H. Yang, F. Chen, ...
  • H. Jiang, Y. Zhang, E. Muljadi, J.J. Zhang, D.W. Gao, ...
  • Y. Liu, Y. Sun, D. Infield, Y. Zhao, S. Han, ...
  • J. Nowotarski, R. Weron, “Computing electricity spot price prediction intervals ...
  • B. Liu, J. Nowotarski, T. Hong, R. Weron, “Probabilistic load ...
  • Q. Liu, Y. Shen, L. Wu, J. Li, L. Zhuang, ...
  • P. Zeng, M. Jin, “Peak load forecasting based on multi-source ...
  • H. Shi, M. Xu, R. Li, “Deep learning for household ...
  • W. Kong, Z. Y. Dong, Y. Jia. D. J. Hill, ...
  • F. Y. Xu, X. Cun, M. Yan, H. Yuan, Y. ...
  • M. Rafiei, T. Niknam, J. Aghaei, M. Shafie Khah, J.P.S. ...
  • W. Zhang, H. Quan, D. Srinivasan, “An improved quantile regression ...
  • Z. Yu, Z. Niu, W. Tang, Q. Wu, “Deep learning ...
  • C. Ye, Y. Ding, P. Wang, Z. Lin, “A data ...
  • T. Ouyang, Y. He, H. Li, Z. Sun, S. Baek, ...
  • K. Chen, K. Chen, Q. Wang, Z. He, J. Hu, ...
  • Z. Deng, B. Wang, Y. Xu, T. Xu, C. Liu, ...
  • Y. Wang, N. Zhang, Q. Chen, D.S. Kirschen, P. Li, ...
  • L. Alfieri, P.D. Falco, "Wavelet-based decompositions in probabilistic load forecasting", ...
  • Y. Hong, Y. Zhou, Q. Li, W. Xu, X. Zheng, ...
  • X. Luo, J. Sun, L. Wang, W. Wang, W. Zhao, ...
  • A.J.R. Reis, A.P.A. Silva, "Feature extraction via multiresolution analysis for ...
  • Z.A. Bashir, M.E. El-Hawary, "Applying wavelets to short-term load forecasting ...
  • Y. Chen, P.B. Luh, C. Guan, Y. Zhao, L.D. Michel, ...
  • S. Mujeeb, N. Javaid, M. Ilahi, Z. Wadud, F. Ishmanov, ...
  • G. B. Huang, Q. Y. Zhu, C. K. Siew, “Extreme ...
  • H. Liu, E. Dougherty, J. Dy, K. Torkkola, E. Tuv, ...
  • J. Sohrabi, M. Moazzami, “Probabilistic mid-term net load forecasting considering ...
  • T.M. Hagan, B.H. Demuth, M. Beale, Neural Network Design, PWS ...
  • N. Amjady, A. Daraeepour, “Midterm demand prediction of electrical power ...
  • Research Info Management

    Certificate | Report | من نویسنده این مقاله هستم

    اطلاعات استنادی این Paper را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

    Scientometrics

    The specifications of the publisher center of this Paper are as follows:
    Type of center: Azad University
    Paper count: 9,978
    In the scientometrics section of CIVILICA, you can see the scientific ranking of the Iranian academic and research centers based on the statistics of indexed articles.

    Share this page

    More information about COI

    COI stands for "CIVILICA Object Identifier". COI is the unique code assigned to articles of Iranian conferences and journals when indexing on the CIVILICA citation database.

    The COI is the national code of documents indexed in CIVILICA and is a unique and permanent code. it can always be cited and tracked and assumed as registration confirmation ID.

    Support