دانلود ترجمه مقاله یک مدل پیش بینی بار کوتاه مدت ترکیبی هوشمند

1. مقدمه 2. توپولوژی و ورودی های مدل پیش بینی شبکه عصبی 3. معماری ANN پیشنهادی 4. بحث و بررسی و نتایج 5. آنالیز عملکرد روش های یادگیری 6. نتیجه گیری

چکیده – پیش بینی تقاضای بار دقیق همیشه برای برنامه ریزی مؤثر و مدیریت انرژی در ساختمان ها، و سیستم های قدرت و توزیع بسیار مهم می باشد. سالیانه می توان میلیون ها دلار را با بهبود دقت پیش بینی صرفه جویی کرد. با این حال، این موضوع به دلیل فاکتورهای مختلف مؤثر روی آن همچون عدم توانایی مدل پیش بینی و متغیرهای مؤثر روی آن (متغیرهای بیرونی و هواشناسی) وظیفه دشواری است. بنابراین، یک چارچوب پیش بینی تقاضای بار مبتنی بر شبکه عصبی پسرو جدید (FNN) ارائه شده است. هرچقدر که روش عقب پیش انتشار معمول در طول فرآیند یادگیری FNN به موقعیت حداقل محلی سوق می یابد، خطای تشخیص به طور چشم گیری افزایش می یابد. در این مقاله، الگوریتم بهینه سازی ازدحام ذرات کلی (GPSO) در قالب روش یادگیری جدیدی به کار گرفته شده تا عملکرد پیش بینی FNN بهبود یابد. تابع تناسبی طرح کد گذاری / کد گشایی نیز برای یادگیری FNN به کار گرفته شده است. متغیرهای هواشناسی و خارجی مؤثر نیز در قالب ورودی های مدل همراه با داده های تقاضای بار مربوطه به کار گرفته شده اند. داده های شبکه انگلستان ISO جدید برای اعتبار سنجی و تأیید عملکرد مدل پیشنهادی مورد استفاده قرار گرفته اند. مدل پیش بینی پیشنهادی، دقت پیش بینی بسیار بالاتری را نسبت به روش های متداول در دوره های فصلی ارائه می دهد. علاوه بر این، مدل پیشنهادی، عملکرد یادگیری، نرخ همگرایی و پیش بینی فصلی فصلی بهتری نسبت به مدل های مقایسه ای ارائه می دهد.

An accurate load demand forecasting is always very important for efficient planning and energy management, in buildings, distribution and power systems. Millions of dollars can be saved annually by increasing a small degree of improvement in prediction accuracy. However, it is a difficult task as multiple factors affecting on it, such as inability of prediction model and variables affecting on load (meteorological and exogenous variables). Therefore, a novel feedforward neural network (FNN) based load demand forecast framework is proposed. As conventional backpropagation technique stuck into local minima during training process of FNN, which increase the prediction error significantly. In this paper, new global best particle swarm optimization (GPSO) algorithm is applied as new training technique to enhance the FNN prediction performance. Fitness function and weight bias encoding/decoding scheme are applied to for FNN training. The influential meteorological and exogenous variables are applied as model inputs along with correlated lagged load demand data. New- ISO England grid data is used to validate and verify the performance of proposed model. The proposad forecast model provides significanly higher forecast accuracy compared with contemporary techniques in sesonal a week ahead case studies. In adidition, proposed model also provides better seasonal prediction, convergence rate and training performance than comparative models.