پیش بینی کوتاه مدت بار صنایع با استفاده از شبکه عصبی بهبود یافته

توضیحات

پیش بینی کوتاه مدت بار صنایع با استفاده از شبکه عصبی بهبود یافته

پیش بینی کوتاه مدت بار صنایع به دلیل ویژگی های خاص پروفیل بار آن ها تفاوت های بنیادی با پیش بینی کوتاه مدت بارهای منطقه ای در سیستم های قدرت دارد .

در این مقاله روشی مبتنی بر استفاده از شبکه عصبی در پیش بینی بار ساعتی ارائه شده است.

الگوریتم پیشنهادی نسبت با الگوریتم های موجود دارای دو مزیت کلی است .

الگوریتم ارائه شده از بار ساعت گذشته در مرحله آموزش شبکه استفاده نماید و بدین ترتیب دقت نتایج به میزان چشمگیری افزایش می یابد.

اما مشکل اصلی در دسترس نبودن بار ساعت قبل در زمان انجام پیش بینی است که با ارائه یک راهکار اصلاحی در این مقاله، حل شده است .

در واقع از خروجی شبکه عصبی به عنوان فیدبک ورودی برای بار ساعت قبل در مرحله آزمون شبکه استفاده شده است .

مزیت دیگر روش پیشنهاد شده در این مقاله، استفاده از یک شبکه عصبی کمکی برای تخمین خطای پیش بینی و بالا بردن میزان دقت نتایج نهایی است.

جهت پیاده سازی الگوریتم پیشنهادی از اطلاعات مصرف ساعتی شرکت سیمان بجنورد در سه ماه اول سال 89 استفاده شده است.

گزارش شبیه سازی با متلب:

1-فایل loaddata.m را اجرا کنید

با این کد داده ها در حافظه متلب قرا میگیرند

تعداد زیر لایه 8 انتخاب می شود. (قابل تغییر)

2-کد mainNN.m را باز کرده و کد را بررسی نمایید

…

در قسمـت تـابـع آمـوزش، شمـا مي توانيد با استفـاده از روش هـاي مختلـف، شبكـه عصبـي خـــود را آمــوزش دهـيــد.

بـهـتــريــن روش هــاي آموزش، روش هايي هستند كه سرعت يادگيري بـالا داشـتـه و بـتـوانـنـد بـر مـي‌نـيـمـم مـحلي غلبه كنند.

TRAINLM يكي از روش هاي پيش فرض در اين قسمت است

net.trainFcn = ‘trainlm’; % Levenberg-Marquardt

نسبت های تقسیم داده های بین مقداری آموزش و مقدایر تست و اعتبارسنجی

مقداری پیشفرض شامل 80 و 10 و 10 درصد می باشد.

% Setup Division of Data for Training, Validation, Testing

net.divideParam.trainRatio = 80/100;

net.divideParam.valRatio = 10/100;

net.divideParam.testRatio = 10/100;

…

همه نمودار های مرتبط به ترتیب نشان داده می شوند

…

با اجرای برنامه اصلی شبکه با نام net دخیره می وشد و شما میتوانید به پیشبینی پارامتر خروجی با ورودی های دلخواه بپردازید که درواقع هدف اصلی از این شبیه سازی میباشد.

مثلا برای پیشبینی ساعت هفتم داریم:

دقت کنید که در ورودی همچنان که در در مرحله آموزش شبکه شرح داده شد ورودی به شبکه داده شده است و تک خروجی شبکه میزان LOAD خواهد بود.

برای ارزیابی کلی در انتهای کد مقایسه به صورت خودکار انجام می شود.

نمودار مقایسه مقادیر واقعی و نیز نتیجه شبکه عصبی انجام شده در کل بازه به صورت زیر است:

کلید واژه : پیش بینی کوتاه مدت بار , شبکه عصبی , سیستم استنتاج فازی , بار

شبیه سازی 

پیش بینی کوتاه مدت بار صنایع با استفاده از شبکه عصبی بهبود یافته

به تعداد محدودی قابل فروش می باشد.