پیش بینی مصرف برق با استفاده از الگوریتم جدید بهینه سازی زغن و شبکه عصبی مصنوعی پرسپترون چند لایه

سال انتشار: 1403
نوع سند: مقاله ژورنالی
زبان: فارسی
مشاهده: 121

فایل این مقاله در 23 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

JR_JIPET-15-60_002

تاریخ نمایه سازی: 5 آذر 1402

چکیده مقاله:

از آنجا که پیش­بینی مصرف برق از موارد مهم مدیریت انرژی هر کشور محسوب می­شود، در سال­های اخیر روش­های مختلفی براساس هوش­مصنوعی برای آن ارائه شده است. یکی از این روش­ها، استفاده از شبکه­های عصبی مصنوعی است. برای آن که این شبکه­ها عملکرد خوبی داشته باشند، باید به خوبی آموزش ببینند. یکی از متداول­ترین الگوریتم­های آموزش مورد استفاده در این شبکه­ها، الگوریتم پس انتشار خطاست که براساس گرادیان نزولی است. از آنجا که الگوریتم­های مبتنی برگرادیان نزولی ممکن است به نقاط بهینه محلی گرفتار شوند، در برخی از مسائل راه حل خوبی ارائه نمی­دهند. از این­رو برای آموزش این شبکه­ها می­توان از الگوریتم­های بهینه­سازی مانند الگوریتم­های فراابتکاری که امکان فرار از بهینه­های محلی را دارند، استفاده نمود. در این تحقیق، الگوریتم فراابتکاری جدیدی به نام الگوریتم بهینه­سازی زغن معرفی می­گردد که از زندگی اجتماعی زغن­ها در طبیعت الهام گرفته شده است و دارای مزایایی مانند تعداد پارامترهای کم، قابلیت اکتشاف و سرعت همگرایی خوب، است. کارایی الگوریتم پیشنهادی، با چند الگوریتم جدید فراابتکاری روی توابع محک CEC۲۰۱۸ و برای آموزش شبکه عصبی در پیش­بینی مصرف برق ایران در زمان­های اوج مصرف بار، مقایسه گردیده است. نتایج حاصل، نشان می­دهد الگوریتم پیشنهادی راه حل بهتری با خطای کمتری، در مقایسه با الگوریتم­های رقیب به­دست می­آورد.

کلیدواژه ها:

الگوریتم های فراابتکاری ، الگوریتم بهینه سازی زغن ، پیش بینی مصرف برق ، شبکه های عصبی پرسپترون چندلایه

نویسندگان

جلال رئیسی گهرویی

دانشکده مهندسی کامپیوتر- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

زهرا بهشتی

مرکز تحقیقات کلان داده- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، 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 :
  • A. Román-Portabales, M. López-Nores, J.J. Pazos-Arias, "Systematic Review of electricity ...
  • M.R. Kazemzadeh, A. Amjadian, T. Amraee, "A hybrid data mining ...
  • S. Moalem, R. M. Ahari, G. Shahgholian, M. Moazzami, S.M. ...
  • H. Fu, J.C. Baltazar, D.E. Claridge, "Review of developments in ...
  • S. Lange, J. Pohl, T. Santarius, "Digitalization and energy consumption. ...
  • S. Williams, M. Short, "Electricity demand forecasting for decentralised energy ...
  • A. Daniel, B. Bharathi Kannan, N. Yuvaraj, N. V Kousik, ...
  • K. Otoufat shamsi, S. Ghane, R. Ghaemmaghami, H. Hedayati, A. ...
  • N. Shirzadi, A. Nizami, M. Khazen, M. Nik-Bakht, "Medium-term regional ...
  • F.M. Andersen, H. V Larsen, T.K. Boomsma, "Long-term forecasting of ...
  • H. Eskandari, M. Imani, M.P. Moghaddam, "Convolutional and recurrent neural ...
  • H.M. Al-Hamadi, S.A. Soliman, "Long-term/mid-term electric load forecasting based on ...
  • E. Elbeltagi, H. Wefki, "Predicting energy consumption for residential buildings ...
  • K. Balachander, D. Paulraj, "ANN and fuzzy based household energy ...
  • D. Ramos, P. Faria, Z. Vale, R. Correia, "Short time ...
  • H.T. Yang, C.M. Huang, "A new short-term load forecasting approach ...
  • K. Subramanian, A.P. Sathiyagnanam, D. Damodharan, N. Sivashanmugam, "Artificial neural ...
  • P.V Paul, N. Deepika, "Stock market prediction based on technical-deviation-ROC ...
  • A. Jafarian, R. Rezaei, A. Khalili-Golmankhaneh, "On solving fractional higher-order ...
  • A. Baba, "Advanced AI-based techniques to predict daily energy consumption: ...
  • Y. Wu, X. Li, Q. Liu, G. Tong, "The analysis ...
  • S.R. Naganna, P.C. Deka, M.A. Ghorbani, S.M. Biazar, N. Al-Ansari, ...
  • Y. Xue, Y. Wang, J. Liang, "A self-adaptive gradient descent ...
  • M. Puig-Arnavat, J.C. Bruno, "Artificial neural networks for thermochemical conversion ...
  • D.H. Tran, D.L. Luong, J.S. Chou, "Nature-inspired metaheuristic ensemble model ...
  • M.A. Sahraei, M.K. Çodur, "Prediction of transportation energy demand by ...
  • T. Singh Rajput, A. Thomas, "Optimizing passive design strategies for ...
  • Z. Beheshti, S.M. Shamsuddin, S. Hasan, "Improved centripetal accelerated particle ...
  • S. Kiani, R. Tarkesh Esfahani, Z. Zojaji, "Optimizing the Cutting ...
  • Z. Beheshti, M. Firouzi, S.M. Shamsuddin, "A new rainfall forecasting ...
  • L. Ajami Bakhtiarvand, Z. Beheshti, "A New Data Clustering Method ...
  • Z. Beheshti, "BMNABC: Binary Multi-Neighborhood Artificial Bee Colony for High-Dimensional ...
  • Z. Beheshti, "UTF: Upgrade transfer function for binary meta-heuristic algorithms", ...
  • Z. Beheshti, "A novel x-shaped binary particle swarm optimization", Soft ...
  • S. Saremi, S. Mirjalili, A. Lewis, "Grasshopper Optimisation Algorithm: Theory ...
  • G. Dhiman, V. Kumar, "Spotted hyena optimizer: A novel bio-inspired ...
  • A.A. Heidari, S. Mirjalili, H. Faris, I. Aljarah, M. Mafarja, ...
  • M.M. Noel, V. Muthiah-Nakarajan, G.B. Amali, A.S. Trivedi, "A new ...
  • L. Abualigah, A. Diabat, S. Mirjalili, M. Abd Elaziz, A.H. ...
  • K. V Price, N.H. Awad, M.Z. Ali, P.N. Suganthan, "Problem ...
  • S.M. Barakchian, S.F. Ardestani, H. Shokoohian, "Short-term Forecast of Hourly ...
  • S.S.S. Ali, M.R. Razman, A. Awang, M.R.M. Asyraf, M.R. Ishak, ...
  • Z. Wang, T. Hong, H. Li, M.A. Piette, "Predicting city-scale ...
  • M. Oh, K.M. Jang, Y. Kim, "Empirical analysis of building ...
  • Z. Shafiei Chafi, H. Afrakhte, "Short-term load forecasting using neural ...
  • H. Moayedi, A. Mosavi, "Electrical power prediction through a combination ...
  • M. Ishaq, S. Kwon, "Short-term energy forecasting framework using an ...
  • K. Xie, H. Yi, G. Hu, L. Li, Z. Fan, ...
  • M.K. Kim, Y.-S. Kim, J. Srebric, "Predictions of electricity consumption ...
  • S.L. Karunathilake, H.R.K. Nagahamulla, "Artificial neural networks for daily electricity ...
  • M. Talaat, M.A. Farahat, N. Mansour, A.Y. Hatata, "Load forecasting ...
  • S. Duman, A. Dalcalı, H. Özbay, "Manta ray foraging optimization ...
  • G. Oğcu, O.F. Demirel, S. Zaim, "Forecasting electricity consumption with ...
  • K. Lan, D. Wang, S. Fong, L. Liu, K.K.L. Wong, ...
  • A. Shrestha, A. Mahmood, "Review of deep learning algorithms and ...
  • R.P. Parouha, P. Verma, "State-of-the-art reviews of meta-heuristic algorithms with ...
  • S. Desale, A. Rasool, S. Andhale, P. Rane, "Heuristic and ...
  • A. Kaveh, M.I. Ghazaan, "Comparison of four meta-heuristic algorithms for ...
  • J. Nayak, B. Naik, H.S. Behera, "A novel nature inspired ...
  • M.R. Gabor, "Is the old communist brand preferred by the ...
  • A. Agresti, “Analysis of Ordinal Cathegorical Data”, New York City ...
  • Kendall, M. G, "The treatment of ties in ranking problems", ...
  • A.N. Mandeville, P.E. O’connell, J. V Sutcliffe, J.E. Nash, "River ...
  • C.J. Willmott, "On the validation of models", Physical Geography, vol. ...
  • نمایش کامل مراجع