پیش بینی میان مدت بار مسکونی مبتنی بر انتخاب ویژگی به روش تحلیل اجزای مجاور

Publish place: Journal of Computational Intelligence in Electrical Engineering، Vol: 13، Issue: 2

Publish Year: 1401

نوع سند: مقاله ژورنالی

زبان: Persian

This Paper With 13 Page And PDF Format Ready To Download

دریافت فایل کامل Paper

Certificate
من نویسنده این مقاله هستم

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این Paper:

https://civilica.com/doc/1444588

شناسه ملی سند علمی:

JR_ISEE-13-2_008

تاریخ نمایه سازی: 21 اردیبهشت 1401

Abstract:

پیش بینی بار مسکونی نقش مهمی در مدیریت و برنامه ریزی در شبکه های هوشمند مدرن دارد. در برنامه ریزی برای متعادل نگه داشتن تقاضا و تولید توان، لازم است پیش بینی دقیقی از بار مناطق مسکونی انجام شود. در این مقاله، یک روش پیش بینی میان مدت بار مسکونی مبتنی بر انتخاب ویژگی برای حل مسئله رگرسیون خطی ارائه شده است؛ به این ترتیب که برای انتخاب ویژگی به منظور انجام رگرسیون، از روش تحلیل اجزای مجاور استفاده می شود. بنابراین، یک مسئله بهینه سازی طرح شده است؛ مسئله مذکور با استفاده از الگوریتم حافظه محدود BFGS (LBFGS) حل می شود. مجموعه داده های AMPds۲ برای اجرای روش پیشنهادی استفاده شد و نتایج به دست آمده با نتایج شش روش پیش بینی دیگر مقایسه شدند. مقایسه ازطریق شاخص های میانگین مربعات خطا، جذر میانگین مربعات خطا و میانگین مطلق درصد خطا انجام شد و نتایج شبیه سازی موثربودن روش پیشنهادی را برای پیش بینی دقیق بار مسکونی تایید کردند.

Keywords:

پیش بینی میان مدت , تحلیل اجزای مجاور , الگوریتم LBFGS , میانگین مربعات خطا , میانگین مطلق درصد

Authors

ایمان بهادرنژاد

مرکز تحقیقات ریزشبکه های هوشمند، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران/ دانشجوی دکتری، دانشکده مهندسی برق- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

مجید معظمی

مرکز تحقیقات ریزشبکه های هوشمند، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران / استادیار، دانشکده مهندسی برق- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

غضنفر شاهقلیان

دانشیار، دانشکده مهندسی برق- واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران / مرکز تحقیقات ریزشبکه های هوشمند، واحد نجف آباد، دانشگاه آزاد اسلامی، نجف آباد، ایران

بهادر فانی

مهناز هاشمی

مراجع و منابع این Paper:

لیست زیر مراجع و منابع استفاده شده در این Paper 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 Paper لینک شده اند :

N. Nazeri, M. Moazzami, G. Shahgholian, “A hybrid approach for ...
H. Shayeghi, A. Ghasemi, “Modeling of multi input multi output ...
M. Chaouch, "Clustering-based improvement of nonparametric functional time series forecasting: ...
M. Ghofrani, M. Hassanzadeh, M. Etezadi-Amoli, M. S. Fadali, "Smart ...
S. Humeau, T. K. Wijaya, M. Vasirani, K. Aberer, "Electricity ...
B. Asare-Bediako, W. L. Kling, P. F. Ribeiro, "Day-ahead residential ...
T. Hossen, A. S. Nair, R. A. Chinnathambi, P. Ranganathan, ...
W. Kong, Z. Yang Dong, Y. Jia, D. J. Hill, ...
H. Liu, E. Dougherty, J. Dy, K. Torkkola, E. Tuv, ...
I. Guyon, S. Gunn, M. Nikravesh, and L. Zadeh, "Feature ...
G. James, D. Witten, T. Hastie, R. Tibshirani, "An introduction ...
Yang, W., K. Wang, W. Zuo. "Neighborhood component feature selection ...
J. B. Erway, J. Griffin, R. F. Marcia, R. Omheni, ...
H. Robbins and S. Monro., "A stochastic approximation method", The ...
L. Bottou, F. Curtis, J. Nocedal, "Optimization methods for large-scale ...
R. H. Byrd, S. L. Hansen, J. Nocedal, Y. Singer, ...
F. Curtis, "A self-correcting variable-metric algorithm for stochastic optimization", Proceed- ...
F. E. Curtis, X. Que, "A quasi-newton algorithm for nonconvex, ...
A. Choromanska, M. Hena, M. Mathieu, G. B. Arous, Y. ...
I. Guyon, R. Garnett, "Advances in neural information processing systems", ...
L. Sagun, V. U. Guney, Y. LeCun, "Explorations on high ...
J. Nocedal,"Updating quasi-newton matrices with limited storage Math", Mathematics of ...
S. Makonin, F. Popowich, L. Bartram, B. Gill, I. V. ...
W. Kong, Z. Yang Dong, D. J. Hill, F. Luo, ...

نمایش کامل مراجع