دانلود ترجمه مقاله تبدیل بسته موجک کامل و شبکه عصبی برای پیش بینی بار الکتریکی کوتاه مدت

1. مقدمه 2. پیشینه 3. روش تحقیق 4. نتایج شبیه سازی 5. بحث و بررسی 6. نتیجه گیری

چکیده – با توجه به نفوذ بالای منابع انرژی توزیعی، ادغام منابع انرژی تجدیدپذیر متناوب و استقرار مدیریت سمت تقاضا، پیش بینی بار کوتاه مدت بسیار دقیق، اهمیت بالایی پیدا می کند. این مقاله رویکرد شبکه عصبی موجک کامل را برای پیش‌بینی بار کوتاه‌مدت پیشنهاد می‌کند، که یک روش ترکیبی از تبدیل بسته موجک کامل و شبکه‌های عصبی است. مدل تبدیل بسته کامل موجک برای تجزیه پروفایل بار و ویژگی های مختلف به چندین مولفه با فرکانس های مختلف استفاده می شود و از این مولفه ها برای آموزش شبکه های عصبی استفاده می شود. برای انجام پیش‌بینی بار، مدل تبدیل بسته موجک کامل، ویژگی‌ها را به مولفه های مختلفی تجزیه می‌کند که به شبکه‌های عصبی آموزش‌دیده وارد می‌شوند، و خروجی‌های شبکه‌های عصبی بعنوان بار پیش‌بینی‌شده ساخته می‌شوند. مدل پیشنهادی برای پیش‌بینی بار در بازار برق انتاریو، کانادا اعمال می‌شود. نتایج شبیه‌سازی نشان می‌دهند که روش پیشنهادی میانگین درصد مطلق خطا (MAPE) را در مقایسه با روش شبکه عصبی سنتی 20 درصد کاهش می‌دهد. رویکرد پیشنهادی توسط شرکت‌ها و اپراتورهای سیستم برای پیش‌بینی مصرف برق با دقت بالا مورد استفاده قرار می گیرد، که برای یکپارچه‌سازی انرژی‌های تجدیدپذیر، مدیریت سمت تقاضا و عملیات سیستم قدرت بسیار مورد نیاز است.

Due to high penetration of distributed energy resources, integration of intermittent renewable energy resources and deployment of demand-side management, highly accurate short-term load forecasting becomes increasingly important. This paper proposes a full wavelet neural network approach for short-term load forecasting, which is an ensemble method of full wavelet packet transform and neural networks. The full wavelet packet transform model is used to decompose the load profile and various features into several components with different frequencies and these components are used to train the neural networks. To perform load forecasting, the full wavelet packet transform model decomposes features into various components that are fed into the trained neural networks, and the outputs of the neural networks are constructed as the forecasted load. The proposed model is applied for load prediction in the electric market of Ontario, Canada. Simulation results show that the proposed approach reduces the mean absolute percentage error (MAPE) by 20% in comparison with the traditional neural network method. The proposed approach can be used by utilities and system operators to forecast electricity consumption with high accuracy, which is highly demanded for renewable energy integration, demand-side management and power system operation.

ترجمه این مقاله در 23 صفحه آماده شده و در ادامه نیز صفحه 10 آن به عنوان نمونه قرار داده شده است که با خرید این محصول می توانید، فایل WORD و PDF آن را دریافت نمایید.