بهبود شبکه عصبی تابع پایه شعاعی با الگوریتم بهینه سازی ارشمیدسدر پیش بینی بار کوتاه مدت

سال انتشار: 1401
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 144

فایل این مقاله در 15 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ENPMCONF06_071

تاریخ نمایه سازی: 4 اردیبهشت 1402

چکیده مقاله:

میزان مصرف برق در برنامه ریزی، طراحی و بهره برداری بهینه در شبکه توزیع نقش بسزایی را ایفا میکند. باتوجه به نوآوری های موجود تا کنون امکان ذخیره سازی این انرژی در ابعاد بزرگ میسر نمی باشد، بنابراین پیش بینی دقیق بار مصرفی میتواند نقش مهمی در استفاده اقتصادی از انرژی الکتریکی داشته باشد. میزان مصرف بارالکتریکی ثابت نمی باشد ، بلکه به صورت پیچیده و غیرخطی تابعی از پارامترهای متعددی میباشد. با توجه به متغیر بودن میزان مصرف بارالکتریکی، شرکت های توزیع برق باید با پیشبینی آن در زمان بندی های مختلف اطلاعات مورد نیاز برای تصمیم گیری های خود در شبکه های توزیع را استخراج نمایند. دراین مقاله با نگاه به کارایی پیش بینی بار کوتاه مدت بار که از چند ساعت آینده تا یک هفته یا چند هفته می تواند باشد ، یک روش جدید ارائه می گردد. با توجه به کارایی روش های تکاملی در تنظیم پارامترهای پیش بینی بار، در این مقاله از الگوریتم بهینه سازی ارشمیدس بعنوان یک الگوریتم با دقت همگرایی بالا برای بهبود شبکه عصبی تابع پایه شعاعی استفاده شده است. شبکه عصبی تابع پایه شعاعی یک روش کارا در تخمین و پیشبینی الگوهای مختلف از جمله پیشبینی بار است ولی کارایی این شبکه به تنظیم مناسب پارامترهای آن، مربوط است. بنابراین برای بهبود شبکه عصبی تابع پایه شعاعی با الگوریتم بهینه سازی ارشمیدس]۹[برای پیشبینی بار کوتاه مدت با در نظرگرفتن فاکتور های هواشناسی پیشنهاد می گردد. نتایج مقایسه خروجی مدل پیشنهادی با مدل های بر مبنای شبکه عصبی تابع پایه شعاعی مرسوم نشان می دهد که تنظیم پارامترهایی از قبیل مراکز تابع گوسی ، شعاع هر تابع گوسی و وزن های شبکه می تواند دقت پیش بینی را بهبود دهد.

نویسندگان

علیرضا مرشدی

شرکت توزیع نیروی برق استان تهران

حسین تاجی

شرکت توزیع نیروی برق استان تهران

علیرضا تاتار

دانشگاه علم و صنعت ایران