پیش بینی کوتاه مدت بار و مطالعات تطبیقی براساس الگوریتم جدید RBF

شبکه های عصبی به دلیل ویژگی هایی که دارند قادر هستند روابط غیرخطی دقیق را از میان متغیرهای ورودی ، بااستفاده از داده های آزمایشی استخراج نمایند علاوه بر این به دلیل قابلیت برنامه ریزی عالی در پیش بینی کوتاه مدت باربسیار مورد توجه قرار گرفته اند، همچنین با توجه به ضرورت قابلیت اطمینان و پایداری شبکه، تامین بار مورد نیاز مشترکین،بازار برق، اهمیت این موضوع بیشتر نمایان می گردد به همین دلیل این مقاله به بررسی و مقایسه میزان اثر بخشی برخی ازجدیدترین الگوریتم های طراحی شده در آموزش شبکه های عصبی RBF (تابع پایه شعاعی) برای پیش بینی بار الکتریکی ۲۴ساعته می پردازد

کلیدواژه ها:

پیش بینی کوتاه مدت بار ، تابع پایه شعاعی ، فروپاشی شبکه های عصبی RBF ، تصحیح خطا