ارائه مدل پیشبین مصرف گاز مشترکین خانگی درشرکت گاز استان مازندران براساس شبکه یادگیری عمیق

سال انتشار: 1399
محل انتشار: هشتمین کنفرانس ملی مهندسی برق، کامپیوتر و مکانیک
کد COI اختصاصی: ECME08_001
زبان مقاله: فارسی
تعداد مشاهده: 719

نویسندگان

کارشناسی ارشد مهندسی برق کنترل، دانشکده مهندسی برق و کامپیوتر، دانشگاه صنعتی نوشیروانی بابل، بابل، ایران

چکیده

در این تحقیق مسئله پیش بینی کل مصرف گاز طبیعی بخش خانگی در استان مازندران در یک سال آینده با استافده از شبکه عصبی عمیق درنظر گرفته شده است. کارایی شبکه عصبی MLP در مقالات گذشته اثبات شده است. اما از آنجائیکه سیگنال مصرف گاز یک سری زمانی پیوسته می باشد، علاوه بر آن استفاده از 3 شبکه عصبی بازگشتی شامل LSTM, RNN و GRU در پیش بینی آزمایش شده است. پیش بینی ها بر مبنای 4 ویژگی ورودی شامل سیگنال گذشته مصرف گاز، سیگنال های دما و رطوبت در استان مازندران و قیتمت گاز انجام شده است که با دقت زمانی 11 روزه طی سال های 1333 تا 1331 درنظر گرفته شده است. نتایج بدست آمده نشان می دهد که نتایج بدست آمده از مدل های پیش بین پیشنهادی به عوامل مختلفی مانند تعداد لایه های پنهان، تعداد نورون ها در لایه های پنهان، پارامتر Dropout لایه های بازگشتی و روش آموزش وابسته می باشد. تابع تلفات استفاده شده شاخص MAE می باشد و همچنین، از روش RMS Prop برای آموزش شبکه های عمیق استفاده شده است. جهت شبیه سازی ها از دو نرم افزار پایتون و متلب استفاده شده است. همچنین، جهت هم مقیاس شدن 4 ویژگی ورودی و بهبود عملکرد شبکه های عصبی پیشنهادی، داده های ورودی استاندارد شده اند، بطوریکه توزیع احتمال آنها بصورت یک تابع نرمال استاندارد با میانگین صفر تبدیل شده است و پس از پیش بینی به مقیاس اصلی بازگردانده می شوند. نتایج بدست آمده طی آزمایشات متعدد نشان می دهد که شبکه های MLP در بهترین جواب بر روی اطلاعات آزمایشی، دارای دقت 0/31 می باشد که با پیاده سازی شبکه های عمق و بازگشتی به 0/33 رسیده است. از آنجائیکه تعداد داده های آموزشی اندک (100 داده آموزشی) می باشد، بنابراین شبکه GRU که حالت تعمیم یافته ای از روش LSTM می باشد، بعنوان بهترین مدل پیش بین می باشد.

کلیدواژه ها

شیک ها عصبی عمیق، شبکه های عصبی بازگشتی، پیش بینی مصرف گاز، روش های آموزش شبکه عمیق

مقالات مرتبط جدید

اطلاعات بیشتر در مورد COI

COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.

کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.