پیش بینی بار الکتریکی کوتاه مدت با استفاده از روش های داده کاوی
- سال انتشار: 1395
- محل انتشار: اولین کنفرانس ملی فناوری های نوین در علوم مهندسی
- کد COI اختصاصی: FANAVARI01_088
- زبان مقاله: فارسی
- تعداد مشاهده: 2249
نویسندگان
دانشجوی کارشناسی ارشد، گروه نرم افزار، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی، واحد کرمانشاه، کرمانشاه، ایران
استادیار، گروه نرم افزار، دانشکده فنی مهندسی، دانشگاه آزاد اسلامی، واحد کرمانشاه، کرمانشاه، ایران
چکیده
از آنجایی که انرژی الکتریکی قابل ذخیره سازی نیست، تولید و مصرف آن در صنعت برق بایستی متناسب با تقاضا باشد. شرکت های توزیع نیروی برق به عنوان خریدار برق، پیش بینی بار الکتریکی کوتاه مدت ( STLF ) شبکه تحت پوشش خود را به شرکت های برق منطقه ای به عنوان فروشنده اعلام می کنند. ازآنجایی که الگوی بار مصرفی یک منحنی غیرخطی با پارامترهای متنوعی است، پیش بینی آن با روش های آماری معمول از دقت لازم برخوردار نبوده و کاهش خطای این پیش بینی تاثیر بسزایی در کاهش هزینه تولید، خاموشی های ناخواسته و جریمه های اقتصادی می شود.فرآیند داده کاوی از طریق تکنیک های پیش بینی از قبیل رگرسیون، درخت تصمیم و شبکه عصبی می تواند میزان مصرف برق را به خوبی پیش بینی نماید. هدف از این مقاله، یافتن مدل داده کاوی بهینه ای جهت تحلیل میزان برق مصرفی گذشته و فاکتورهای موثر دیگر از قبیل بهای برق، دمای هوا، سرعت باد، بارش باران، روز هفته، تعطیلی روز و تاریخ جهت پیش بینی مصرف برق در آینده است. مجموعه داده هایی تحقیق مربوط به اطلاعات بار الکتریکی شرکت توزیع برق استان کرمانشاه و نیز اطلاعات هواشناسی اداره کل هواشناسی استان در سال های 1392 و 1393 به صورتروزانه است. برای ساخت مدل های داده کاوی موردنظر در این تحقیق از نرم افزار کلمنتاین 12 استفاده شده است والگوریتم های مورداستفاده شامل درخت رده بندی و رگرسیون ( C&RT )، شبکه عصبی و رگرسیون ساده بوده است. با پیاده سازی مدل های مختلف پیش بینی عددی بر اساس متد CRISP-DM مشاهده گردید شبکه عصبی 2 لایه ای با 5 نرون ورودی و یک نرون خروجی با میانگین درصد خطای 3/28 عملکرد بهتری نسبت به درخت C&RT با میانگین درصد خطای 3/9و الگوریتم رگرسیون با5/9 و نیز روش فعلی پیش بینی با میانگین درصد خطای 3/84 دارد.همچنین مشخص شد که متغیرهای دمای هوا، قیمت برق مصرفی و مصرف برق روز مشابه از سال گذشته بیشترین تاثیر را بر پیش بینی های انجام شده داشتندکلیدواژه ها
پیش بینی بار الکتریکی ( STLF ) داده کاوی، درخت رده بندی و رگرسیون ( C&RT )، شبکه عصبی، رگرسیون، متدCRISP-DMمقالات مرتبط جدید
- مرور سیستماتیک کاربرد هوش مصنوعی در موسیقی
- In-silico Analyses for Finding Potential Key Genes and Pathways Associated with Guillain-Barré Syndrome Using Computational Tools
- OCD Severity Based on EEG Signals
- Investigating the (non) -Impact of Customizing Knowledge Bases of Artificial Intelligence -Driven Robot on Language for Specific Purposes Learning
- The Need for Telehealth and Tele-Educationon in Optimizing Measles Surveillance and Reducing Healthcare Costs
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.