این سایت در حال حاضر پشتیبانی نمی شود و امکان دارد داده های نشریات بروز نباشند
کیفیت و بهره وری صنعت برق ایران، جلد ۱۲، شماره ۲، صفحات ۱-۱۱
عنوان فارسی طراحی شبکه باقی مانده عصبی عمیق چند سطحی برای پیش بینی کوتاه مدت بارهای الکتریکی در سیستم های قدرت
چکیده فارسی مقاله برای برقراری تعادل تولید - مصرف، طراحی یک روش که اطلاعات اولیه را برای بار مصرفی در ساعات آتی با سطح دقت و قابلیت اطمینان مطلوبی ضروری می‌باشد. مسئله‌ی پیش‌بینی بار با ظهور مفاهیم جدید در شبکه‌های برق و تجدید ساختار سیستم‌های قدرت روز به روز پیچیده‌تر می‌شود. این مقاله یک شبکه باقی‌مانده عصبی را برای پیش بینی با دقت بالای بارهای الکتریکی پیشنهاد می‌کند. در شبکه‌ی طراحی شده با ترکیب دو شبکه‌ی باقی‌مانده عمیق قدرتمند توانایی یادگیری ارتقا یافته و همچنین از مشکلاتی همچون بیش برازش و­کاهش/افزایش گرادیان جلوگیری شده است. همچنین، برای یادگیری کامل مشخصات زمانی و مکانی، شبکه‌ی عصبی کانولوشنی (CNN) و واحد بازگشتی حافظه‌دار (GRU) ترکیب شده و در ساختار چندسطحی باقی‌مانده ادغام شده است. تحلیل‌ها فصلی و تحقیق بر روی چندین مورد مختلف با استفاده از داده‌های بار مصرفی واقعی در شهر شیراز، ایران موثر بودن روش را تایید می‌کند و برتری روش پیشنهاد از طریق مقایسه با روش‌های پیشین نشان داده شده است.
کلیدواژه‌های فارسی مقاله پیش‌بینی کوتاه مدت بار، شبکه‌ی عصبی باقی‌مانده عمیق چند سطحی، شبکه بازگشتی حافظه‌دار، شبکه‌ی عصبی کانولوشنی
عنوان انگلیسی Design of a multi-level deep residual neural network for short-term prediction of electrical loads in power systems
چکیده انگلیسی مقاله To maintain supply-demand balance, it is crucial to design a method to provide prior knowledge on load consumption in look-ahead time with high level of accuracy and reliability. The load prediction problem is becoming more and more challenging due to emerging new concepts in the electrical grids and reconstruction of the power networks. This paper develops a residual neural network to predict the electrical loads with high level of accuracy. In the designed network with combining two powerful deep residual network, a new residual deep network is proposed to improve the learning ability as well as prevent problems like overfitting and gradient reduction/explosion. Furthermore, to fully understand the spatial-temporal features, convolutional neural network (CNN) and gated recurrent unit (GRU) are combined and integrated into the designed multi-level deep network. The seasonal analysis and investigating several cases using actual electrical load consumption in Shiraz, Iran verifies the effectiveness of the proposed method and higher accuracy of the proposed deep network in comparison with other methods demonstrate the superiority of the proposed method.
کلیدواژه‌های انگلیسی مقاله Short-term load forecasting, multi-level residual deep neural network, gated recurrent network, convolutional neural network
نویسندگان مقاله مهتاب گنجوری | mahtab ganjouri
دانشکده مهندسی برق، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران

مزدا معطری | Mazda Moattari
دانشکده مهندسی برق، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران

احمد فروزان تبار | Ahmad Forouzantabar
دانشکده مهندسی برق، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران

محمد آزادی | Mohammad Azadi
مرکز تحقیقات مکاترونیک و هوش مصنوعی، واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران

نشانی اینترنتی http://ieijqp.ir/browse.php?a_code=A-10-1476-1&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