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 ملی مقاله: JR_JIPET-13-49_001
منتشر شده در در سال 1401
شناسه ملی 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:
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
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/