بکارگیری همزمان شبکه عصبی و مد تجربی در مطالعات پیش بینی کوتاه مدت بار
Publish place: National Conference of Technology, Energy & Data on Electrical & Computer Engineering
Publish Year: 1394
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 899
This Paper With 6 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:
TEDECE01_438
تاریخ نمایه سازی: 30 آبان 1394
Abstract:
پیش بینی کوتاه مدت بار برای تنظیم عملکرد سیستم های قدرت و بازار برق هدفی مهم و کلیدی است. بنابراین در زمینه ی پیش بینی بار موردتقاضای سیستم برای مدتی کوتاه ، لازم است که روش های دقیقی پیشنهاد شوند. در این مقاله برای برآورده سازی این مهم، از یک شبکه عصبی استفاده شده است. استفاده موثر از اطلاعات موجود در سیگنالهای آموزش دهنده شبکه عصبی از جمله تاثیرگذارترین موارد بر عملکرد شبکه میباشد. در روش پیشنهادی، انتخاب مناسب سیگنال آموزش از طریق تفکیک آن با استفاده از روش مد تجربی انجام شده است. برای این منظور لازم است که چند گام مختلف برداشته شوند.ابتدا، سیگنال سری زمانی زمانهای ماقبل مربوط به بار سیستم قدرت با استفاده از روش تجزیه مد تجربی به چندین سیگنال بیواسطه تجزیه می شود. هر یک از سیگنال های بیواسطه دارای تغییرات کمتری نسبت به سیگنال اصلی تغییرات بار بوده که منجر به آموزش موثرتر شبکه عصبی مورد استفاده میشود. در گام بعد، سیگنال های آموزش برای شبکه عصبی توسط روش ثابت های وابستگی انتخاب می شوند. سپس، سیگنال های آموزش بیواسطه به عنوان ورودی به شبکه عصبی اعمال می شود. در نهایت پیش بینی بار از مجموع سیگنال های بیواسطه پیش بینی شده توسط شبکه عصبی بدست می آید. نتایج شبیهسازیهای انجام شده نشان میدهد که استفاده از روش پیشنهادی منجر به نتایج قابل توجهی شده است
Keywords:
Authors
صابر ارمغانی
دانشجوی دکتری، دانشکده مهندسی، گروه مهندسی برق، دانشگاه کردستان، سنندج، ایران
علی حسامی نقشبندی
دانشیار دانشکده مهندسی، گروه مهندسی برق، دانشگاه کردستان، سنندج، ایران
عبدالله راستگو
دانشجو دکتری دانشکده مهندسی، گروه مهندسی برق، دانشگاه کردستان، سنندج، ایران
حسن بیورانی
دانشیار دانشکده مهندسی، گروه مهندسی برق، دانشگاه کردستان، سنندج، 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 :