ارائۀ مدل جدید تخمین مصرف انرژیبرق براساس مبدل‌های موجک موازی و شبکه‌های عصبی کانولوشن با یادگیری عمیق برای ساختمان‌های مسکونی

سال انتشار: 1399
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 249

فایل این مقاله در 12 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_ISEE-11-3_002

تاریخ نمایه سازی: 19 بهمن 1399

چکیده مقاله:

با توجه به افزایش میزان مصرف برق، این انرژییکی از مهم‌ترین منابع برای زندگی انسان است؛ بنابراین، همۀ کشورها به دنبال دسترسی به منابع انرژیمطمئن و برنامه‌ریزی‌شده هستند. نیز با توجه به تجدیدناپذیر بودن منابع سوخت‌های فسیلی به‌ویژه منابع نفت و گاز، چندین دهه است موضوع جایگزین‌سازی این نوع انرژی‌ها با انرژی‌های تجدیدپذیرشایان توجه قرار گرفته است. صرفه‌جویی و مصرف بهینۀ انرژی الکتریکی در مصارف مهم مانند ساختمان‌های مسکونی و تجاریاهمیت زیادی دارد. یکی از مهم‌ترین عوامل برای برنامه‌ریزی مصرف برق و بهینه‌سازی آن، پیش‌بینی دقیق برای مصرف برق ساختمان‌های مسکونی و تجاری در آینده است. در این مقاله،ابتدا با استفاده از مبدل‌های موازی موجک، مجموعه داده‌های چند ساختمان مسکونی تحلیل می‌شوند، سپس با استفاده از مدل بهینۀ تخمین‌گر شبکۀ عصبی کانولوشن برق مصرفی کوتاه‌مدت ساختمان‌پیش‌بینی می‌شوند. نتایج پژوهش نشان می‌دهند روش ارائه‌شده به‌طور متوسط خطای تخمین روش‌های ARIMA، شبکۀ عصبی LSTM و SVR را به‌ترتیب 70، 69 و 73 درصد بهبود بخشیده است.

نویسندگان

ناصر کرد

گروه مهندسی کامپیوتر، واحد کرمان - دانشگاه آزاد اسلامی – کرمان - ایران

فرشید کی نیا

گروه مدیریت و بهینهسازی انرژی، پژوهشگاه علوم و تکنولوژی پیشرفته و علوم محیطی - دانشگاه تحصیلات تکمیلی صنعتی و فناوریهای پیشرفته – کرمان - ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • [1]     J. Lago, F. De Ridder, and B. De Schutter, ...
  • [2]     R. Socher, C. C. Lin, C. Manning and A. ...
  • [3]     L. Shao, Z. Cai, L. Liu, and K. Lu, ...
  • [4]  T. Kuremoto, S. Kimura, K. Kobayashi, and M. Obayashi, ...
  • [5]  W. Kong, Z. Y. Dong, D. J. Hill, F. ...
  • [6]     H. Shi, M. Xu, and R. Li, “Deep learning ...
  • [7]     W. Kong, Z. Y. Dong, Y. Jia, D. J. ...
  • [8]     C. Yuan, S. Liu, and Z. Fang, “Comparison of ...
  • [9]     J. A. Suykens and J. Vandewalle, “Least squares support ...
  • [10]     T. M. Mitchell, “Artificial neural networks,” Machine learning, Vol. ...
  • [11]     T. Lin, B. G. Home, P. Tino, and C. ...
  • [12]   K.-i. Funahashi and Y. Nakamura, “Approximation of dynamical systems ...
  • [13]     H. Shi, M. Xu, and R. Li, “Deep Learning ...
  • [14]     A. Almalaq and G. Edwards, “A review of deep ...
  • [15]     J. Kelly and W. Knottenbelt, “The uk-dale dataset, domestic ...
  • [16]     N. N. Karnik and J. M. Mendel, “Applications of ...
  • [17]     A. J. Conejo, M. A. Plazas, R. Espinola, and ...
  • [18]     C. Bennet, R. A. Stewart, and J. Lu, “Autoregressive ...
  • [19]     U. Kumar and V. Jain, “time series models (grey-markov, ...
  • [20]     G. Oǧcu, O. F. Demirel, and S. zaim, “Forecasting ...
  • [21]     F. Rodrigues, C. Cardeira, and J. M. F. Calado, ...
  • [22]     M. Emarati, F. Keynia, A. Askarzadeh, “Application of hybrid ...
  • [23]     M. Cai, M. Pipattanasomporn, and S. Rahman, “Day-ahead building-level ...
  • [24]     G. Amano, M. Marchesi, and A. Murru, “A hybrid ...
  • [25]     A. M. Rather, A. Agarwal and V. Sastry, “Recurrent ...
  • [26]     H. Wang, G. Wang, G. Li, J. Peng and ...
  • [27]     M. Khodayar, O. Kaynak, and M. E. Khodayar, “Rough ...
  • [28]     C. Voyant, G. Notton, S. Kalogirou, M.-L. Nivel, C. ...
  • [29]     A. Alzahrani, P. Shamsi, C. Dagli, and M. Ferdowsi, ...
  • [30]     Y. Wang, D. Gan, M. Sun, N. Zhang, Z. ...
  • [31]     S. Ryu, J. Noh, and H. Kim, “Deep neural ...
  • [32]     F. Keynia, “A new feature selection algorithm and composite ...
  • [33]     N. Amjady, "Short-Term Bus Load Forecasting of Power Systems ...
  • [34]     Rocha Reis AJ, Alves da Silva AP. Feature extraction ...
  • [35]     M. J. Shensa, “The discrete wavelet transform: Wedding the ...
  • [36]     M. Abadi, P. Barham, J. Chen, Z. Chen, A. ...
  • [37]   F. Chollet et al., “Keras: Deep learning library for ...
  • [38]   T. J. Brailsford and R. W. Faff, “An evaluation ...
  • نمایش کامل مراجع