[صفحه اصلی ]   [Archive] [ English ]  
:: صفحه اصلي :: درباره نشريه :: آخرين شماره :: تمام شماره‌ها :: جستجو :: ثبت نام :: ارسال مقاله :: تماس با ما ::
:: ::
برگشت به فهرست مقالات برگشت به فهرست نسخه ها
پیش‌بینی کوتاه مدت مصرف بار الکتریکی با استفاده از شبکه‌های عصبی عمیق CNN و LSTM
دکتر رضا روانمهر ، سینا قصایی
دانشکده مهندسی- گروه مهندسی کامپیوتر-واحد تهران مرکزی-دانشگاه آزاد اسلامی- تهران- ایران
چکیده:   (171 مشاهده)
 امروزه انرژی الکتریسیته یکی از اساسی‌ترین نیازهای جوامع بشری محسوب می‌شود به گونه‌ای که تمام فعالیت‌های صنعتی و بخش زیادی از فعالیت‌های اجتماعی، اقتصادی، کشاورزی و ... با اتکا به این انرژی انجام می‌شود، بنابراین کیفیت و تداوم انرژی الکتریسیته از اهمیت بسزایی برخوردار است. هدف این پژوهش آن است که بر اساس عوامل موثر بر بار الکتریکی که دارای روابط پیچیده غیرخطی هستند و عمدتاً شامل تغییرات آب و هوا و نوسانات دوره‌ای روزانه و هفتگی مصرف می‌باشند به پیش‌بینی تغییرات مصرف بار کوتاه مدت دست یابد. روش پیشنهادی یک شبکه عصبی ترکیبی، با استفاده از یادگیری عمیق می‌باشد که از ترکیب دو معماری CNN و LSTM ایجاد شده است. معماری CNN با توجه به قابلیت آن در استخراج الگوهای موجود در داده و معماری LSTM بر پایه توانایی آن در پیش‌بینی سری‌های زمانی، مورد استفاده قرار گرفته‌اند. رویکرد ارائه شده با استفاده از پیش‌بینی آب و هوای ساعات آینده و الگوی مصرف بار الکتریکی در ساعات گذشته، قادر به پیش‌بینی الگوی مصرف آینده خواهد بود. نتایج ارزیابی نشان می‌دهد که دقت پیش‌بینی بر اساس معیارهای MAPE ، RMSE، RSEوCORR در مقایسه با بهترین روش‌های موجود بهبود یافته است.
واژه‌های کلیدی: پیش‌بینی کوتاه مدت، مصرف بار الکتریکی، شبکه‌های عصبی کانولوشن، شبکه‌های عصبی حافظه طولانی کوتاه-مدت، یادگیری عمیق
     
نوع مطالعه: پژوهشي | موضوع مقاله: برق و کامپیوتر
دریافت: 1399/4/12 | پذیرش: 1399/9/8


XML   English Abstract   Print



برگشت به فهرست مقالات برگشت به فهرست نسخه ها
نشریه علمی- پژوهشی کیفیت و بهره وری صنعت برق ایران Iranian Electric Industry Journal of Quality and Productivity
Persian site map - English site map - Created in 0.05 seconds with 29 queries by YEKTAWEB 4256