پیش بینی کوتاه مدت بار استان چهارمحال و بختیاری با استفاده از اجماع شبکه های عصبی

مهندسی مخابرات جنوب

دوره 10، شماره 38، دی 1399، صفحه 17-30   

نوع مقاله: مقاله پژوهشی

نویسندگان

اسحاق فرجی¹؛ محسن میرزائیان²؛ حمید پروین¹؛ علی چمکوری³؛ مجید محمدپور¹

¹1دانشگاه آزاد اسلامی، واحد خورموج- گروه برق و کامپیوتر 2باشگاه باشگاه پژوهشگران جوان و نخبگان، واحد نوراباد ممسنی، دانشگاه آزاد اسلامی، نوراباد ممسنی، ایران

²معاونت بهره برداری و دیسپاچینگ شرکت توزیع نیروی برق، استان چهارمحال و بختیاری

³دانشگاه آزاد اسلامی، واحد خورموج- گروه برق و کامپیوتر

چکیده

پیش­بینی کوتاه مدت بار در بازار برق اهمیت زیادی دارد. از طرفی عوامل مهم تأثیرگذار بر پیش­بینی کوتاه مدت بار به ویژگی­های بار الکتریکی و آب و هوایی هر منطقه بستگی دارد، بنابراین با استفاده از داده­های واقعی استان چهارمحال و بختیاری-شامل بار و دما- به پیش­بینی کوتاه مدت بار الکتریکی استان پرداخته­ایم. بدین منظور با استفاده از چهار روش مختلف شبکه عصبی پرسپترون (MLp < /strong>)، مجمعی از شبکه عصبی پرسپترون (MLP Ensemble)، شبکه SVM(Support Vector Machine) و مجمعی از شبکه SVM به پیش بینی کوتاه مدت بار استان چهار محال و بختیاری پرداختیم. نتایج حاصل از مقایسه این چهار روش نشان می دهد که مجمعی از شبکه عصبی پرسپترون بهترین روش به منظور پیش بینی کوتاه مدت بار می باشد.

کلیدواژه‌ها

پیش بینی کوتاه مدت بار؛ شبکه عصبی پرسپترون؛ مجمعی از شبکه عصبی پرسپترون

مراجع

[1] سرلک، م.، ابراهیمی، ت.، توکلی، ا.، طلوع خیامی، م. و مقدس انگیزان، د. استفاده از شبکه­های عصبی برای پیش­بینی کوتاه مدت بار. بیست و پنجمین کنفرانس بین المللی برق، 1389.

[2] Amirarfaei, F., Menhaj, M.B and Barghinia, S., "A Combination of Pruning algorithm and Parallel Networks Structure to Increase the Generalization of Neural Networks Used for Short-Term Load Forecasting of Iran Power System", IEEE Int. conf. Asia-Pacific Power and Energy Engineering Conference (APPEEC, 2010), pp. 1-4.

[3] Amjady, N., " Short-term bus load forecasting of power systems by a new hybrid method" ,IEEE Trans. Power Syst., vol. 22, no. 1, Feb. 2007, pp. 333–341.

[4] Brockwell, P. J., Davis, R. A., "Introduction to Time Series and Forecasting", Berlin: Springer-Verlag, Mar. 2002.

[5] Elattar, E. E., Goulermas, J. Y., Wu, Q. H., "Electric load forecasting based on locally weighted support vector regression" ,IEEE Trans. Syst., Man Cyber. C, Appl. Rev., vol. 40, no. 4, July 2010, pp. 438–447.

[6] Felice, M. D., Yao, X., "Short-Term Load Forecasting with Neural Network Ensembles: A Comparative Study ", IEEE Computational Intelligence Magazine, July 2011, pp. 47-56.

[7] Farhadi, M and Moghaddas-Tafreshi S.M.,"Analysis of Effective Variables on Daily Electrical Load Curves of Iran Power Network", IEEE Int. conf. Industrial Technology, 2008, pp. 1-7.

[8] Fan, S., Chen, L., "Short-term load forecasting based on an adaptive hybrid method "  ,IEEE Trans. Power Syst., vol. 21, no. 1, 2006, pp. 392–401.

[9] Feinberg, E. A., Genethliou, D., "Load forecasting", in Applied Mathematics for Restructured Electric Power Systems: Optimization, Control, and Computational Intelligence, J. Chow, F. Wu, and J. Momoh, Eds. Berlin: Springer-Verlag, 2005, pp. 269–285.

[10] Hinojosa,A., Hoese, V. H., "Short-term load forecasting using fuzzy inductive reasoning and evolutionary algorithms" , IEEE Trans. Power Syst., vol. 25, no. 1, Feb. 2010, pp. 565–574.

[11] Piers, R.J., Adamson, K. Methodologies for Load Forecasting, Intelligent System, 3^rd International IEEE Conference, 2006, PP.800-806.

[12] Sapankevych, N., Sankar,   R., "Time series prediction using support vector machines: A survey", IEEE Comput. Intell. Mag., vol. 4, no. 2, 2009, pp. 24–38.

[13] Setiawan, A., Koprinska, I., Agelidis, V.G., et al. " Very short-term electricity load demand forecasting using support vector regression" ,Proc. Int. Joint Conf. on Neural Networks, 2009, pp. 2888–2894.

[14] Yun, Z., Quan, Z., Caixin, S., Shaolan, L., Yuming, L., Yang, S., "RBF neural network and ANFIS-based short-term load forecasting approach in real-time price environment" ,IEEE Trans. Power Syst., vol. 23, no. 3, Aug. 2008, pp. 853–858.

[15] Hansen, L., and Salamon, P., "Neural network ensembles", IEEE Trans. Pattern Anal. Mach. Intell., vol. 12, no. 10, 1990, pp. 993–1001.