استفاده ‎از خوشه‎بندی‌های پیاپی نقشه خودسازمانده برای بهبود پیش‌بینی پیک ‎بار الکتریکی روزانه مبتنی بر شبکه‌های عصبی پیشخوراند

Authors

علیرضا سروش

محمدرضا امین ناصری

Abstract:

این مقاله یک مدل شبکه عصبی تلفیقی برای پیش‌بینی پیک بار الکتریکی(PLF) روزانه ارائه می‌کند. از آنجاییکه الگوهای مشابهی در داده‎های پیک بار وجود دارد، خوشه‎بندی داده‎ها دقت پیش‎بینی‎ها را افزایش خواهد داد. اکثر خوشه‎بندیهای ارائه شده در ادبیات بدون دلیل و صرفاَ شهودی بوده‎اند. در این مقاله، ما رویکرد جدیدی برای خوشه‎بندی داده‎ها با استفاده از دو نقشه خودسازمانده پیاپی ارائه می‌کنیم. یک شبکه عصبی پیشخوراند(FFNN) برای هر یک از خوشه‎ها جهت پیش‎بینیPLF توسعه داده شده است. جهت ارزیابی اثربخشی مدل تلفیقی پیشنهادی، پیش‎بینی بوسیله توسعه یک شبکه عصبی پیشخوراند که از داده‎های خوشه‎بندی نشده استفاده می‌کند، انجام شده است. نتایج برتری اثربخشی مدل تلفیقی پیشنهادی را ثابت می‌کند. همچنین، مدلهای رگرسیون خطی برای PLF توسعه داده شده است و نتایج نشان می‌دهد که مدل تلفیقی پیشنهادی به میزان قابل‎توجهی، پیش‎‎بینی‎های بهتری را نسبت به مدلهای رگرسیون خطی تلفیقی تولید می‌کند. لازم بذکر است که از داده‌های پیک بار شرکت برق منطقه‌ای تهران جهت آزمایش و اعتبارسنجی مدل استفاده شده است.

Upgrade to premium to download articles

Already have an account?login

similar resources

ستفاده ‎از خوشه‎بندی‌های پیاپی نقشه خودسازمانده برای بهبود پیش‌بینی پیک ‎بار الکتریکی روزانه مبتنی بر شبکه‌های عصبی پیشخوراند

full text

استفاده ‎از خوشه‎بندی های پیاپی نقشه خودسازمانده برای بهبود پیش بینی پیک ‎بار الکتریکی روزانه مبتنی بر شبکه های عصبی پیشخوراند

این مقاله یک مدل شبکه عصبی تلفیقی برای پیش بینی پیک بار الکتریکی(plf) روزانه ارائه می کند. از آنجاییکه الگوهای مشابهی در داده‎های پیک بار وجود دارد، خوشه‎بندی داده‎ها دقت پیش‎بینی‎ها را افزایش خواهد داد. اکثر خوشه‎بندیهای ارائه شده در ادبیات بدون دلیل و صرفاَ شهودی بوده‎اند. در این مقاله، ما رویکرد جدیدی برای خوشه‎بندی داده‎ها با استفاده از دو نقشه خودسازمانده پیاپی ارائه می کنیم. یک شبکه عصبی پ...

full text

بررسی و پیشبینی مدول یانگ در نانولولههای کربنی تک لایه با بهکارگیری شبکههای عصبی مصنوعی

full text

ارائه یک روش ترکیبی مبتنی بر تبدیل موجک گسسته برای پیش‌بینی بار الکتریکی با استفاده از یک مدل دوبعدی

چکیده: پیشبینی میزان تقاضای انرژی الکتریکی و شناسایی روند تغییرات آن، عامل کلیدی و مؤثری در برنامهریزی، طراحی و بهرهبرداری از شبکه قدرت است. بیگمان آگاهی از میزان مصرف انرژی الکتریکی، اساس و زیربنای برنامهریزی و تصمیمگیری در سیستمهای قدرت است. در این مقاله با معرفی روش ترکیبی تبدیل موجک و حداقل مربعات خطا و ارائه یک مدل دوبعدی برای بار، پیشبینی پیک ماهیانه بار استان زنجان در افق بلندمد...

full text

پیش‌بینی کوتاه‌مدت بار الکتریکی با استفاده از مدل‌های خاکستری بهبودیافته مبتنی بر تکرار

با افزایش تقاضای مصرف انرژی الکتریکی، شناسایی روند تغییرات بار از مسائل حائز اهمیت در شبکه‌های برق می‌باشد. در این میان پیش‌بینی کوتاه‌مدت بار برای اطمینان از تأمین تقاضا و امنیت شبکه یکی از حیاتی‌ترین مباحث در مدیریت فنی و اقتصادی صنعت برق به‌شمار می‌آید. تاکنون روش‌های متعددی با دقت‌های متفاوت به‌منظور مدل‌سازی و پیش‌بینی بار در کوتاه‌مدت ارائه شده است. اکثر این روش‌ها از تعداد داده‌های زیاد ...

full text

ارایه یک مدل تحلیلی غیرخطی برای میانگین سالانه زمان مصرف روزانه قله بار الکتریکی در کشور

یران رتبه نخست را در رشد مصرف سرانه انرژی در جهان داراست. اینکه چه عواملی چگونه در این پدیده مؤثر هستند، نیازمند تحلیل است و برای تحلیل این روند، بدست آوردن الگویی که آن عوامل را بشناساند و تغییرات آتی را برآورد کند، ضروری است. با تفکیک تقاضای انرژی الکتریکی به دومتغیر توان و زمان، برای هریک الگویی مجزا به دست می آید. در این مقاله، با استفاده از نتایج یک الگوسازی خطی برای مطالعه اثر دما در میا...

full text

My Resources

Save resource for easier access later

Save to my library Already added to my library

{@ msg_add @}

Journal title

نشریه دانشکده فنی

volume 41 issue 10

pages -

publication date 2008-01-21

unfollow

{@ msg @}

By following a journal you will be notified via email when a new issue of this journal is published.

Keywords

بولدین پیش‌بینی پیک ‎بار الکتریکی روزانه خوشه‎بندی شاخص دیویس شبکه عصبی پیشخوراند نقشه خودسازمانده

Hosted on Doprax cloud platform doprax.com