بهبود عملکرد مدل های هوشمند فصلی در پیش بینی محدوده تغییرات تقاضای الکتریسیته با بکارگیری ابزارهای محاسبات نرم
Publish place: 13th International Industrial Engineering Conference
Publish Year: 1395
نوع سند: مقاله کنفرانسی
زبان: Persian
View: 386
This Paper With 9 Page And PDF Format Ready To Download
- Certificate
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
IIEC13_132
تاریخ نمایه سازی: 14 شهریور 1396
Abstract:
یکی از معایب مهم در پیش بینی با شبکه های عصبی مصنوعی، نیاز به داده های زیاد برای حصول نتایج دقیق می باشد.اما فراهم آوردن این داده ها هزینه بر بوده و همچنین نیاز به مدتزمان زیادی دارد. بنابراین با توجه به محدودیت نیاز بهداده های زیاد و رشد سریع تکنولوژی، استفاده از روشهای پیش بینی ای که با تعداد داده های قابل حصول کم نیز کاراباشند، مناسب تر می باشد. روشهای پیش بینی فازی، به دلیل استفاده از اعداد فازی به جای اعداد قطعی، نسبت به سایرروشهای مشابه به داده های کمتری نیاز دارد. در این مقاله، از ترکیب روشهای شبکه های عصبی مصنوعی و رگرسیون فازی،یک مدل هوشمند نرم به منظور پیش بینی فصلی بازه تغییرات تقاضای الکتریسیته ارایه گردیده است. نتایج تجربی بیانگرآنست که مدل پیشنهادی توانسته نتایج دقیق تری را در مقایسه با مدل هایی چون مدل های خودرگرسیون میانگین متحرکانباشته فصلی، پرسپترون های چندلایه، و ماشین های بردار پشتیبان به دست آورد.
Keywords:
مدلهای هوشمند نرم , ابزارهای هوش محاسباتی و محاسبات نرم , پیش بینی فصلی سری های زمانی , تقاضای الکتریسته , پرسپترون های چندلایه (MLP)
Authors
فاطمه چاهکوتاهی
دانشجوی کارشناسی ارشد مهندسی صنایع دانشکده مهندسی صنایع و سیستمها، دانشگاه صنعتی اصفهان
مهدی خاشعی
عضو هیات علمی دانشکده مهندسی صنایع و سیستمها، دانشگاه صنعتی اصفهان