چطور این مقاله مهندسی کامپیوتر و IT را دانلود کنم؟
فایل انگلیسی این مقاله با شناسه 2008509 رایگان است. ترجمه چکیده این مقاله مهندسی کامپیوتر و IT در همین صفحه قابل مشاهده است. شما می توانید پس از بررسی این دو مورد نسبت به خرید و دانلود مقاله ترجمه شده اقدام نمایید
حجم فایل فارسی :
1 مگا بایت
نوع فایل های ضمیمه :
Pdf+Word
کلمه عبور همه فایلها :
www.daneshgahi.com
عنوان فارسي
مدلی از شبکه های عصبی مصنوعی با دقت بالا برای پیش بینی بار انرژی کوتاه مدت
عنوان انگليسي
A High Precision Artificial Neural Networks Model for Short-Term Energy Load Forecasting
این مقاله چند صفحه است؟
این مقاله ترجمه شده مهندسی کامپیوتر و IT شامل 13 صفحه انگلیسی به صورت پی دی اف و 23 صفحه متن فارسی به صورت ورد تایپ شده است
چکیده
یکی از مهمترین موضوعات پژوهشی در فناوری شبکه هوشمند، پیش بینی بار است، زیرا دقت پیش بینی بار، بر قابلیت اطمینان سیستم شبکه های هوشمند، تاثیر بالایی دارد. در گذشته، پیش بینی بار توسط تکنیک های تحلیل سنتی مانند تحلیل سری زمان و رگرسیون خطی انجام میگرفت. از آنجاییکه پیش بینی بار بر روی طراحی الگوهای مصرف برق متمرکز است، اخیرا محققان روش های یادگیری عمیق را به تکنیک های یادگیری ماشین متصل کرده اند. در این مطالعه، یک الگوریتم شبکه عصبیِ عمیقِ دقیق برای پیش بینی بار کوتاه مدت (STLF) معرفی شده است. عملکرد پیش بینی الگوریتم پیشنهادی با عملکرد پنج الگوریتم هوش مصنوعی دیگر که معمولا برای پیش بینی بار مورد استفاده قرار میگیرند، مقایسه شده است. میانگین درصد خطای مطلق (MAPE) و تنوع تجمعیِ مجذورِ میانگینِ مربعات خطا (CV-RMSE) به عنوان شاخص های ارزیابی دقت مورد استفاده قرار می گیرند. نتایج آزمایش ها نشان می دهند که MAPE و CV-RMSE برای الگوریتم پیشنهادی، به ترتیب برابر با 9.77% و 11.66% هستند که دقت پیش بینی بسیار بالایی را نشان میدهند.
1- مقدمه
امروزه به منظور حل چالش های جهانی امنیت انرژی، چالش های تغییرات اقلیمی و چالش های رشد اقتصادی، نیاز مبرمی به سرعت بخشیدن به توسعه ی فنآوری های انرژی کم کربن وجود دارد. در این میان، شبکه های هوشمند [1] اهمیت ویژه ای دارند زیرا این شبکه ها چندین فناوری انرژی کم کربن را فعال میکنند [2]، از جمله خودروهای الکتریکی، منابع انرژی قابل استفاده مجدد و پاسخ به تقاضا. با توجه به چالش های رو به رشد جهانی آب و هوا، امنیت انرژی و رشد اقتصادی، تسریع در توسعه فناوری انرژی کم کربن در حال تبدیل به یک موضوع فزاینده فوری میباشد...
هوش مصنوعی شبکه عصبی کانولوشن شبکه های عصبی عمیق پیش بینی بار کوتاه مدت
:کلمات کلیدی
Abstract
One of the most important research topics in smart grid technology is load forecasting, because accuracy of load forecasting highly influences reliability of the smart grid systems. In the past, load forecasting was obtained by traditional analysis techniques such as time series analysis and linear regression. Since the load forecast focuses on aggregated electricity consumption patterns, researchers have recently integrated deep learning approaches with machine learning techniques. In this study, an accurate deep neural network algorithm for short-term load forecasting (STLF) is introduced. The forecasting performance of proposed algorithm is compared with performances of five artificial intelligence algorithms that are commonly used in load forecasting. The Mean Absolute Percentage Error (MAPE) and Cumulative Variation of Root Mean Square Error (CV-RMSE) are used as accuracy evaluation indexes. The experiment results show that MAPE and CV-RMSE of proposed algorithm are 9.77% and 11.66%, respectively, displaying very high forecasting accuracy.
Keywords:
artificial intelligence convolutional neural network deep neural networks short-term load forecas
سایر منابع مهندسی کامپیوتر و IT-نرم افزار در زمینه شبکه عصبی مصنوعی