A hybrid annual power load forecasting model based on generalized regression neural network with fruit fly optimization algorithm

تعداد صفحات انگلیسی:

10 صفحه

یک مدل ترکیبی برای پیش بینی بار برق سالانه بر اساس شبکه عصبی رگرسیون تعمیم یافته با الگوریتم بهینه سازی مگس میوه

تعداد صفحات فارسی:

15 صفحه

نوع فایل:

ترجمه word و pdf انگلیسی

قیمت فروش:

80,000 ريال

پیش بینی دقیق بار برق سالانه می تواند راهنمایی قابل اعتمادی برای کارکرد شبکه برق و برنامه ریزی جهت توسعه شبکه برق در اختیار بگذارد، که برای توسعه پایدار صنعت برق مهم است. پیش بینی بار برق سالانه یک مسئله غیر خطی است، زیرا منحنی بار، مشخصه غیر خطی از خود نشان می دهد. ثابت شده است که شبکه عصبی رگرسیون تعمیم یافته (GRNN) در برخورد با مسائل غیر خطی کاراست، اما متأسفانه GRNN به ندرت برای پیش بینی بار برق سالانه استفاده می شود. در این مقاله از GRNN برای پیش بینی بار برق سالانه استفاده شده است. با این حال، چگونگی تعیین پارامترهای گسترش مناسب در استفاده از GRNN برای پیش بینی بار برق یک نکته کلیدی است. در این مقاله، از یک مدل ترکیبی برای پیش بینی بار برق سالانه استفاده شده است که ترکیبی از الگوریتم بهینه سازی مگس میوه (FOA) و شبکه عصبی رگرسیون تعمیم یافته می باشد، که در آن FOA به صورت خودکار مقدار پارامتر گسترش مناسب را برای GRNN انتخاب می کند. اثربخشی این مدل ترکیبی با دو شبیه سازی آزمایش شد، که هر دو نشان می دهد که مدل ترکیبی ارائه شده کارکرد بهتری نسبت به مدل های پیش بینی کننده GRNN با پارامتر پیش فرض، مدل GRNN با بهینه سازی ازدحام ذرات (PSOGRNN)، ماشین بردار حمایت کننده از حداقل مربعات با الگوریتم بازپخت شبیه سازی شده ( SALSSVM)، و رگرسیون حداقل مربعات خطی عادی (OLS_LR) در پیش بینی بار برق سالانه دارد.
کلمات کلیدی: پیش بینی بار (برق) سالانه؛ شبکه عصبی رگرسیون تعمیم یافته؛مسئله بهینه سازی؛ الگوریتم بهینه سازی مگس میوه؛ انتخاب پارامتر؛

نسخه انگلیسی:

قیمت فروش:

80,000 ريال