پیش بینی کوتاه مدت بار با استفاده از شبکه عصبی و ترکیب با روشهای هوشمند جهت انتخاب ویژگی
Publish Year: 1394
Type: Conference paper
Language: Persian
View: 635
This Paper With 6 Page And PDF Format Ready To Download
- Certificate
- I'm the author of the paper
این Paper در بخشهای موضوعی زیر دسته بندی شده است:
Export:
Document National Code:
EMIS01_031
Index date: 1 November 2016
پیش بینی کوتاه مدت بار با استفاده از شبکه عصبی و ترکیب با روشهای هوشمند جهت انتخاب ویژگی abstract
با خصوصی سازی صنعت برق، پیش بینی دقیق بار و پیش بینی میزان تقاضای برق آینده، نقش مهمی را در مدیریت استراتژی برق ملی و ناحیه ای ایفا می کند. پیش بینی بار الکتریکی بدلیل پیچیدگی و غیرخطی بودن روابط بار با چندین عامل دیگر، یک مساله چالش برانگیز می باشد . در این مقاله، روشی برای پیش بینی بار الکتریکی پیشنهاد شده است. در این روش از الگوریتم بهینه سازی کلونی مورچگان (ACO) برای انتخاب ویژگی، و از پرسپترون چند لایه برای پیش بینی بار ساعتی استفاده می گردد. در این مقاله، شرایط آب و هوایی، ماه، سال، روز هفته، و ساعت به عنوان عوامل تاثیرگذار بر بار در نظر گرفته شده اند. با استفاده از سری های زمانی بار یک سیستم برق ناحیه ای، عملکرد مدل ترکیبی (ACO+MLP) و همچنین حالت بدون انتخاب خصیصه (NFS+MLP)، مقایسه می گردد. نتایج تجربی و مقایسه عملکرد با تحقیقات جدید مشابه، نشان می دهد که مدل ترکیبی ACO+MLP در پیش بینی بار 24 ساعت بعد، براساس معیار درصد قدر مطلق میانگین خطا (MAPE)، عملکرد مطلوبی را ارائه می دهد.
پیش بینی کوتاه مدت بار با استفاده از شبکه عصبی و ترکیب با روشهای هوشمند جهت انتخاب ویژگی Keywords:
پیش بینی کوتاه مدت بار با استفاده از شبکه عصبی و ترکیب با روشهای هوشمند جهت انتخاب ویژگی authors
رضا شوندی
گروه برق، دانشکده فنی و مهندسی، واحد میانه، دانشگاه آزاد اسلامی، میانه، ایران
سید یوسف موسی زاده موسوی
گروه برق، دانشکده فنی و مهندسی، واحد میانه، دانشگاه آزاد اسلامی، میانه، ایران
حمید حسن زاده فرد
گروه برق، دانشکده فنی و مهندسی، واحد میانه، دانشگاه آزاد اسلامی، میانه، 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 :