استفاده از خوشهبندی های پیاپی نقشه خودسازمانده برای بهبود پیش بینی پیک بار الکتریکی روزانه مبتنی بر شبکه های عصبی پیشخوراند
نویسنده:
چکیده:
این مقاله یک مدل شبکه عصبی تلفیقی برای پیش بینی پیک بار الکتریکی(PLF) روزانه ارائه می کند. از آنجاییکه الگوهای مشابهی در داده های پیک بار وجود دارد، خوشهبندی داده ها دقت پیشبینی ها را افزایش خواهد داد. اکثر خوشهبندی های ارائه شده در ادبیات بدون دلیل و صرفا شهودی بودهاند. در این مقاله، ما رویکرد جدیدی برای خوشهبندی داده ها با استفاده از دو نقشه خودسازمانده پیاپی ارائه می کنیم. یک شبکه عصبی پیشخوراند(FFNN) برای هر یک از خوشه ها جهت پیشبینیPLF توسعه داده شده است. جهت ارزیابی اثربخشی مدل تلفیقی پیشنهادی، پیشبینی بوسیله توسعه یک شبکه عصبی پیشخوراند که از داده های خوشهبندی نشده استفاده می کند، انجام شده است. نتایج برتری اثربخشی مدل تلفیقی پیشنهادی را ثابت می کند. همچنین، مدلهای رگرسیون خطی برای PLF توسعه داده شده است و نتایج نشان می دهد که مدل تلفیقی پیشنهادی به میزان قابلتوجهی، پیشبینی های بهتری را نسبت به مدلهای رگرسیون خطی تلفیقی تولید می کند. لازم بذکر است که از داده های پیک بار شرکت برق منطقه ای تهران جهت آزمایش و اعتبارسنجی مدل استفاده شده است.
کلیدواژگان:
زبان:
فارسی
در صفحه:
911
لینک کوتاه:
magiran.com/p498486
دانلود و مطالعه متن این مقاله با یکی از روشهای زیر امکان پذیر است:
اشتراک شخصی
با عضویت و پرداخت آنلاین حق اشتراک یکساله به مبلغ 1,390,000ريال میتوانید 70 عنوان مطلب دانلود کنید!
اشتراک سازمانی
به کتابخانه دانشگاه یا محل کار خود پیشنهاد کنید تا اشتراک سازمانی این پایگاه را برای دسترسی نامحدود همه کاربران به متن مطالب تهیه نمایند!
توجه!
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.
In order to view content subscription is required
Personal subscription
Subscribe magiran.com for 70 € euros via PayPal and download 70 articles during a year.
Organization subscription
Please contact us to subscribe your university or library for unlimited access!