عنوان مقاله :
روش موثر هوشمند به منظور پيش بيني بار الكتريكي كوتاه مدت
عنوان به زبان ديگر :
AN EFFICIENT INTELLIGENT APPROACH FOR SHORT-TERM LOAD FORECASTING
پديد آورندگان :
ابراهيمي، فاطمه دانشگاه قم - دانشكده ي فني مهندسي , افسر، امير دانشگاه تربيت مدرس - دانشكده ي مديريت و اقتصاد , رضايي نور، جلال دانشگاه قم - دانشكده ي فني مهندسي , قنبري سرخي، علي دانشگاه صنعتي شاهرود - دانشكده ي مهندسي كامپيوتر
اطلاعات موجودي :
فصلنامه سال 1396 شماره 1/2
كليدواژه :
پيش بيني بار الكتريكي , شبكه ي عصبي , ماشين بردار پشتيبان , تحليل مولفه ي اصلي
چكيده فارسي :
در اين نوشتار از روش هاي شبكه ي عصبي (NN)، ماشين بردار پشتيباني (SVM) و تحليل مولفه ي اصلي (PCA) با يك رويكرد متوالي براي پيش بيني بار كوتاه مدت استفاده شده است. ابتدا با استفاده از يك روش غربال سازي، داده هاي ورودي استخراج و به كلاس هايي تقسيم شدند كه بتواند بهترين نتايج را ارائه دهد. سپس مقادير گذشته بار به همراه اطلاعات وابسته در هر دسته به شبكه هاي عصبي چندلايه ي پرسپترون و ماشين بردار پشتيبان به صورت پشت سر هم و وابسته به ساعت قبل داده شده است كه ماشين بردار پشتيبان پيشنهادي توانست نتايج بهتري ارائه دهد. سپس با اعمال تحليل مولفه ي اصلي به پارامترهاي ورودي مجدداً اين دو سيستم مورد آزمون قرار گرفت. نتايج نشان داده كه هنگام استفاده از تحليل مولفه ي اصلي نتايج شبكه هاي عصبي و ماشين هاي بردار پشتيبان بهبود يافته و نتايجي بهتر از پيش بيني هاي سنتي ارائه داده است.
چكيده لاتين :
One of the major issues for design and operation of power systems is load forecasting for the same hour in the next few days، known as a Short-Term Load Forecasting (STLF). Forecasts are required for proper scheduling activities، such as generation scheduling، fuel purchasing activities، maintenance scheduling، investment scheduling، and for security analysis. Accurate forecasting of electrical load leads to energy saving and careful planning. The aim of this study is to predict short-term consumption of electrical energy in one of the states of Iran (i.e.، Mazandaran). This study used several techniques and tools of data mining to predict electrical energy consumption and demand in short-term time. Several methods، such as Neural Network، Support Vector Machine were used for forecasting and their results were examined. The first phase of this research is to identify the parameters that affect electrical energy consumption. Then، among these factors، those with the greatest effect will be selected. In the next step، data analysis and different behaviors of electrical energy consumption are discussed and classified based on their similarity. Afterwards، the required inputs will be identified and pre-processing will be performed. In the next step، Pervious electricity load values with related data of each category are presented for the Multilayer Perceptron Neural Network and support Vector Machine recursively. In this model، the support Vector Machine could supply a better result. Then Principle Component Analysis (PCA) is used to reduce the dimension of input variables. New data will be tested once again with proposed systems to observe the effects of principle component analysis on each method. Finally، the results of all methods are compared with each other. The result will be compared with two measures: including coefficient of determination (R2) and root mean square error (RMSE). The result shows the improvement in Neural Network and Support Vector Machine with the use of principal component analysis، which provide better results compared to classical predictions.
عنوان نشريه :
مهندسي صنايع و مديريت شريف
عنوان نشريه :
مهندسي صنايع و مديريت شريف
اطلاعات موجودي :
فصلنامه با شماره پیاپی 1/2 سال 1396
