پیش بینی کوتاه مدت بار استان چهارمحال و بختیاری با استفاده از اجماع شبکه های عصبی
الموضوعات :اسحاق فرجی 1 , محسن میرزائیان 2 , حمید پروین 3 , علی چمکوری 4 , مجید محمدپور 5
1 - 1دانشگاه آزاد اسلامی، واحد خورموج- گروه برق و کامپیوتر
2باشگاه باشگاه پژوهشگران جوان و نخبگان، واحد نوراباد ممسنی، دانشگاه آزاد اسلامی، نوراباد ممسنی، ایران
2 - معاونت بهره برداری و دیسپاچینگ شرکت توزیع نیروی برق، استان چهارمحال و بختیاری
3 - 1دانشگاه آزاد اسلامی، واحد خورموج- گروه برق و کامپیوتر
2باشگاه باشگاه پژوهشگران جوان و نخبگان، واحد نوراباد ممسنی، دانشگاه آزاد اسلامی، نوراباد ممسنی، ایران
4 - دانشگاه آزاد اسلامی، واحد خورموج- گروه برق و کامپیوتر
5 - 1دانشگاه آزاد اسلامی، واحد خورموج- گروه برق و کامپیوتر
2باشگاه باشگاه پژوهشگران جوان و نخبگان، واحد نوراباد ممسنی، دانشگاه آزاد اسلامی، نوراباد ممسنی، ایران
الکلمات المفتاحية: Support vector machine, Artificial Neural Networks, شبکه عصبی پرسپترون, Load forecasting, Ensemble, پیش بینی کوتاه مدت بار, مجمعی از شبکه عصبی پرسپترون,
ملخص المقالة :
پیش بینی کوتاه مدت بار در بازار برق اهمیت زیادی دارد. از طرفی عوامل مهم تأثیرگذار بر پیش بینی کوتاه مدت بار به ویژگی های بار الکتریکی و آب و هوایی هر منطقه بستگی دارد، بنابراین با استفاده از داده های واقعی استان چهارمحال و بختیاری-شامل بار و دما- به پیش بینی کوتاه مدت بار الکتریکی استان پرداخته ایم. 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.
[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, 3rd 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.
_||_[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, 3rd 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.
