این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
کیفیت و بهره وری صنعت برق ایران، جلد ۱۰، شماره ۱، صفحات ۳۵-۵۱
عنوان فارسی پیش‌بینی کوتاه مدت مصرف بار الکتریکی با استفاده از شبکه‌های عصبی عمیق CNN و LSTM
چکیده فارسی مقاله  امروزه انرژی الکتریسیته یکی از اساسی‌ترین نیازهای جوامع بشری محسوب می‌شود به گونه‌ای که تمام فعالیت‌های صنعتی و بخش زیادی از فعالیت‌های اجتماعی، اقتصادی، کشاورزی و ... با اتکا به این انرژی انجام می‌شود، بنابراین کیفیت و تداوم انرژی الکتریسیته از اهمیت بسزایی برخوردار است. هدف این پژوهش آن است که بر اساس عوامل موثر بر بار الکتریکی که دارای روابط پیچیده غیرخطی هستند و عمدتاً شامل تغییرات آب و هوا و نوسانات دوره‌ای روزانه و هفتگی مصرف می‌باشند به پیش‌بینی تغییرات مصرف بار کوتاه مدت دست یابد. روش پیشنهادی یک شبکه عصبی ترکیبی، با استفاده از یادگیری عمیق می‌باشد که از ترکیب دو معماری CNN و LSTM ایجاد شده است. معماری CNN با توجه به قابلیت آن در استخراج الگوهای موجود در داده و معماری LSTM بر پایه توانایی آن در پیش‌بینی سری‌های زمانی، مورد استفاده قرار گرفته‌اند. رویکرد ارائه شده با استفاده از پیش‌بینی آب و هوای ساعات آینده و الگوی مصرف بار الکتریکی در ساعات گذشته، قادر به پیش‌بینی الگوی مصرف آینده خواهد بود. نتایج ارزیابی نشان می‌دهد که دقت پیش‌بینی بر اساس معیارهای MAPE ، RMSE، RSEوCORR در مقایسه با بهترین روش‌های موجود بهبود یافته است.
کلیدواژه‌های فارسی مقاله پیش‌بینی کوتاه مدت، مصرف بار الکتریکی، شبکه‌های عصبی کانولوشن، شبکه‌های عصبی حافظه طولانی کوتاه-مدت، یادگیری عمیق
عنوان انگلیسی Short-term Load Forecasting using Convolutional Neural Network and Long Short-term Memory
چکیده انگلیسی مقاله Nowadays, electricity is one of the most basic needs of human societies, such that almost all industrial operations and a large part of social, economic, and agricultural activities rely on this energy; therefore, the quality and stability of electrical power are important. In this study, we seek to forecast the changes in short-term load consumption concerning the factors affecting electric load, mainly weather changes, as well as the daily and weekly consumption fluctuations that have complex nonlinear relationships. It should be noted that the prediction of short-term changes in load consumption is an essential and critical factor in power distribution systems. The proposed method is a hybrid neural network based on deep learning, which trains with energy consumption data and real weather changes. This neural network is developed by combining CNN and LSTM architectures and optimized for configuration parameters such as the number of network layers and neurons as well as filter size. CNN and LSTM architectures have been utilized to extract existing patterns in data and to predict time series, respectively. The proposed approach predicts the pattern of future consumption by forecasting weather in the next hours and the pattern of electric load consumption in the past hours. Tensorflow framework is employed to implement the proposed approach, and the results are compared with similar state-of-the-art methods. The evaluation results show that the prediction accuracy is improved compared to the best available methods.
کلیدواژه‌های انگلیسی مقاله Short-term Forecast, Electrical Load Consumption, Deep Neural Network, Convolutional Neural Networks, Long Short-Term Memory
نویسندگان مقاله سینا قصایی | Sina Ghassaei
Department of Computer Engineering, Central Tehran Branch, Islamic Azad University
دانشکده مهندسی- گروه مهندسی کامپیوتر-واحد تهران مرکزی-دانشگاه آزاد اسلامی- تهران- ایران

رضا روانمهر | Reza Ravanmehr
Department of Computer Engineering, Central Tehran Branch, Islamic Azad University
دانشکده مهندسی- گروه مهندسی کامپیوتر-واحد تهران مرکزی-دانشگاه آزاد اسلامی- تهران- ایران

نشانی اینترنتی http://ieijqp.ir/browse.php?a_code=A-10-1289-1&slc_lang=fa&sid=1
فایل مقاله فایلی برای مقاله ذخیره نشده است
کد مقاله (doi)
زبان مقاله منتشر شده fa
موضوعات مقاله منتشر شده برق و کامپیوتر
نوع مقاله منتشر شده پژوهشی
برگشت به: صفحه اول پایگاه   |   نسخه مرتبط   |   نشریه مرتبط   |   فهرست نشریات