پیش‌بینی بلندمدت تقاضا در "زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان" با استفاده از شبکه عصبی عمیق و ماشین یادگیری شدید

الموضوعات : Renewable energy

سپهر معلم ¹ , رویا محمدعلی پوراهری ² , غضنفر شاهقلیان ³ , مجید معظمی ⁴ , سید محمد کاظمی ⁵

1 - گروه مهندسی صنایع- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
2 - گروه مهندسی صنایع- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
3 - مرکز تحقیقات ریز شبکه های هوشمند- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
4 - دانشکده مهندسی برق- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران
5 - گروه مهندسی صنایع- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

تاريخ الإرسال : 07 الثلاثاء , جمادى الأولى, 1442 تاريخ التأكيد : 29 السبت , رجب, 1442 تاريخ الإصدار : 21 الأحد , شوال, 1443

الکلمات المفتاحية: ماشین بردار پشتیبان, تبدیل موجک, درخت تصمیم گیری, یادگیری عمیق, ماشین یادگیری شدید, زنجیره تامین انرژی الکتریکی, میانگین درصد خطا, پیش‌بینـی تقاضا,

ملخص المقالة :

صنایع سنگ آهن اسپیدان یکی از صنایع پر مصرف برق در زنجیره تامین انرژی الکتریکی استان اصفهان به عنوان دومین قطب صنعتی کشور و یکی از تامین کنندگان اصلی مواد اولیه در زنجیره تامین صنایع فولاد کشور است. برنامه ریزی در یک زنجیره تامین انرژی الکتریکی با ابعاد بزرگ در فضائی پر از تردید و عدم قطعیت، با پیش بینی تقاضای انرژی الکتریکی آغاز می گردد. در این مقاله یک روش پیش بینی بلندمدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان اصفهان با استفاده از یک روش ترکیبی شامل تبدیل موجک، شبکه عصبی عمیق و تکنیک داده کاوی مبتنی بر ماشین یادگیری شدید پیشنهاد شده است. داده های مورد نظر در این مطالعه با توجه به اطلاعات ثبت شده از سیگنال تقاضای انرژی الکتریکی صنایع تولیدی سنگ آهن اسپیدان در یک بازه زمانی 40 ماهه و به صورت 24 ساعته استخراج و استفاده شده است. داده ها در بخشی از دوره مورد نظر ناشی از عدم تولید این صنعت در بازه مورد مطالعه منقطع بود به طوری که فقط 40 درصد از داده ها دارای مقدار و 60 درصد مابقی صفر یا ناهمگون بوده اند. این موضوع باعث نقص اطلاعات و بالا رفتن خطای پیش بینی در بخش اول الگوریتم پیشنهادی در خروجی شبکه عصبی عمیق تا 40 درصد شد. جهت بهبود پیش بینی و کاهش خطای ایجاد شده، با تکمیل مدل پیشنهادی با ماشـین یـادگیری شـدید، امکان ایجاد یـک مدل پیش بینی بهبود یافته برای انجام آموزش تحت نظارت میسر گردید. در نهایت نتایج به دست آمده با تکنیک های دیگری مانند ماشین بردار پشتیبان و درخت تصمیم گیری مقایسه شده است. نتایج بهبود و کاهش خطا و افزایش قابل توجه دقت روش پیشنهادی در پیش بینی بلند-مدت تقاضا در زنجیره تامین انرژی الکتریکی صنایع سنگ آهن اسپیدان را نشان می دهند.