بهبود عملکرد مدل های هوشمند فصلی در پیش بینی محدوده تغییرات تقاضای الکتریسیته با بکارگیری ابزارهای محاسبات نرم

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 378

فایل این مقاله در 9 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

IIEC13_132

تاریخ نمایه سازی: 14 شهریور 1396

چکیده مقاله:

یکی از معایب مهم در پیش بینی با شبکه های عصبی مصنوعی، نیاز به داده های زیاد برای حصول نتایج دقیق می باشد.اما فراهم آوردن این داده ها هزینه بر بوده و همچنین نیاز به مدتزمان زیادی دارد. بنابراین با توجه به محدودیت نیاز بهداده های زیاد و رشد سریع تکنولوژی، استفاده از روشهای پیش بینی ای که با تعداد داده های قابل حصول کم نیز کاراباشند، مناسب تر می باشد. روشهای پیش بینی فازی، به دلیل استفاده از اعداد فازی به جای اعداد قطعی، نسبت به سایرروشهای مشابه به داده های کمتری نیاز دارد. در این مقاله، از ترکیب روشهای شبکه های عصبی مصنوعی و رگرسیون فازی،یک مدل هوشمند نرم به منظور پیش بینی فصلی بازه تغییرات تقاضای الکتریسیته ارایه گردیده است. نتایج تجربی بیانگرآنست که مدل پیشنهادی توانسته نتایج دقیق تری را در مقایسه با مدل هایی چون مدل های خودرگرسیون میانگین متحرکانباشته فصلی، پرسپترون های چندلایه، و ماشین های بردار پشتیبان به دست آورد.

کلیدواژه ها:

مدلهای هوشمند نرم ، ابزارهای هوش محاسباتی و محاسبات نرم ، پیش بینی فصلی سری های زمانی ، تقاضای الکتریسته ، پرسپترون های چندلایه (MLP)

نویسندگان

فاطمه چاهکوتاهی

دانشجوی کارشناسی ارشد مهندسی صنایع دانشکده مهندسی صنایع و سیستمها، دانشگاه صنعتی اصفهان

مهدی خاشعی

عضو هیات علمی دانشکده مهندسی صنایع و سیستمها، دانشگاه صنعتی اصفهان