skip to Main Content
پیش‌بینی کوتاه‌مدت بار توان براساس شبکه عصبی بازگشتی دوسویه چند لایه

پیش‌بینی کوتاه‌مدت بار توان براساس شبکه عصبی بازگشتی دوسویه چند لایه

عنوان انگلیسی: Short-term power load forecasting based on multi-layer bidirectional recurrent neural network
سال نشر: ۲۰۱۹
نویسنده: Xianlun Tang,Yuyan Dai,Ting Wang,Yingjie Chen
تعداد صفحه فارسی: ۲۳ – تعداد صفحه انگلیسی: ۸
دانشگاه: Chongqing Key Laboratory of Complex Systems and Bionic Control , Chongqing University of Posts and Telecommunications , Chongqing 400065 , People’s Republic of China
نشریه: Process Safety and Environmental Protection
کیفیت ترجمه: ترجمه پلاس

چکیده

پیش‌بینی دقیق بار توان برای اطمینان از ایمنی، پایداری و عملکرد اقتصادی سیستم قدرت از اهمیت زیادی برخوردار است. به طور خاص ، پیش بینی کوتاه مدت بار قدرت پایه ای برای برنامه ریزی شبکه و تصمیم گیری است. در سال‌های اخیر، الگوریتم های یادگیری ماشین به طور گسترده‌ای برای پیش‌بینی کوتاه‌مدت بار توان مورد استفاده قرار گرفته‌اند. به ویژه حافظه بلند مدت کوتاه (‏LSTM)‏و واحد بازگشتی دروازه دار (‏GRU)‏مناسب داده‌های سری زمانی هستند. در این مطالعه، یک مدل شبکه عصبی بازگشتی دوسویه چند لایه براساس LSTM و GRU برای پیش‌بینی بار توان کوتاه‌مدت پیشنهاد شده‌است و بر روی دو مجموعه داده تایید شده‌است. نتیجه تجربی نشان می‌دهد که روش پیشنهادی در دقت پیش‌بینی داده‌های رقابتی شبکه تکنولوژی هوشمند اروپا بر برنده رقابت برتری دارد. در داده‌های شرکت برق در چونگکینگ، با توجه به تفاوت‌های بار فصلی، بار پیک ساعتی انواع مختلف داده‌های بار برای آزمایش‌ها استفاده می‌شود. نویسندگان به طور جداگانه بار فصلی را پیش‌بینی کرده و آن را با LSTM، رگرسیون برداری پشتیبانی و مدل‌های پس انتشار مقایسه می‌کنند. نتایج این مقایسه اولویت

Abstract

true
۳۵۰,۰۰۰ ریال – خرید
امتیاز شما:
(No Ratings Yet)
Back To Top