CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

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

عنوان مقاله: پیش بینی بلندمدت تقاضا در "زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان" با استفاده از شبکه عصبی عمیق و ماشین یادگیری شدید
شناسه (COI) مقاله: JR_JIPET-13-49_001
منتشر شده در در سال 1401
مشخصات نویسندگان مقاله:

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

خلاصه مقاله:
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.

کلمات کلیدی:
تبدیل موجک, یادگیری عمیق, ماشین یادگیری شدید, ماشین بردار پشتیبان, درخت تصمیم گیری, پیش بینی تقاضا, زنجیره تامین انرژی الکتریکی, میانگین درصد خطا

صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/1289360/