استفاده ‎از خوشه‎بندی‌های پیاپی نقشه خودسازمانده برای بهبود پیش‌بینی پیک ‎بار الکتریکی روزانه مبتنی بر شبکه‌های عصبی پیشخوراند

کارشناسی ارشد و دکتری - کافه تدریس - وبینارهای حل سوالات کنکور ارشد

استفاده ‎از خوشه‎بندی‌های پیاپی نقشه خودسازمانده برای بهبود پیش‌بینی پیک ‎بار الکتریکی روزانه مبتنی بر شبکه‌های عصبی پیشخوراند
چکیده: این مقاله یک مدل شبکه عصبی تلفیقی برای پیش‌بینی پیک بار الکتریکی(PLF) روزانه ارائه می کند. از آنجاییکه الگوهای مشابهی در داده‎های پیک بار وجود دارد، خوشه‎بندی داده‎ها دقت پیش‎بینی‎ها را افزایش خواهد داد. اکثر خوشه‎بندیهای ارائه شده در ادبیات بدون دلیل و صرفاً شهودی بوده‎اند. در این مقاله، ما رویکرد جدیدی برای خوشه‎بندی داده‎ها با استفاده از دو نقشه خودسازمانده پیاپی ارائه می‌کنیم. یک شبکه عصبی پیشخوراند (FFNN) برای هر یک از خوشه‎ها جهت پیش‎بینی PLF توسعه داده شده است. جهت ارزیابی اثربخشی مدل تلفیقی پیشنهادی، پیش‎بینی بوسیله توسعه یک شبکه عصبی پیشخوراند که از داده‎های خوشه بندی نشده استفاده می کند، انجام شده است. نتایج برتری اثربخشی مدل تلفیقی پیشنهادی را ثابت می کند. همچنین، مدلهای رگرسیون خطی برای PLF توسعه داده شده است و نتایج نشان می‌دهد که مدل تلفیقی پیشنهادی به میزان قابل‎توجهی، پیش‎‎بینی‎های بهتری را نسبت به مدلهای رگرسیون خطی تلفیقی تولید می کند. لازم بذکر است که از داده‌های پیک بار شرکت برق منطقه‌ای تهران جهت آزمایش و اعتبارسنجی مدل استفاده شده است.
کلید واژه:	پیش بینی، پیک بار الکتریکی روزانه، خوشه بندی، نقشه خودسازمانده، شاخص دیویس، بولدین، شبکه عصبی پیشخوراند
نویسنده(گان):	علیرضا سروش، محمدرضا امین ناصری
منبع:	نشریات معتبر مدیریتی- ارسالی کاربران سایت
موضوع:	پیرامون مدیریت
دسته:	مقاله مجله
سال انتشار:	1386
تعداد صفحات:	16
قیمت (تومان):	0
بر اساس شرایط و ضوابط ارسال مقاله در سایت مدیر، این مطلب توسط یکی از نویسندگان ارسال گردیده است. در صورت مشاهده هرگونه تخلف، با تکمیل فرم گزارش تخلف حقوق مؤلفین مراتب را جهت پیگیری اطلاع دهید.

دریافت متن کامل
384 KB