پیش بینی قیمت بازار برق با استفاده از شبکه های عصبی – برق

مشخصات فایل

مقطع:کارشناسی ارشد
رشته تحصیلی:مهندسی برق
نوع ارائه:پایان نامه
تعداد صفحات:119
قالب بندی:word قابل ویرایش

نحوه خرید

پیش بینی قیمت بازار برق با استفاده از شبکه های عصبی – برق

شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

چکیده

۱ چکیده
۲ مقدمه
۳ فصل اول : کلیات

۱-۱) هدف ۴
۲-۱) فاکتورهای تاثیر گذار بر قیمت ۶
۳-۱) فرار بودن قیمت ۷
۴-۱) انواع پیش بینی قیمت ۸
۵-۱) انوع کاربران پیش بینی قیمت ۹
۶-۱) روشهای سنتی برای حل مساله پیش بینی کوتاه مدت قیمت ۱۱
۱-۶-۱) مدل سری های زمانی ۱۱
۲-۶-۱) مدل رگرسیون ۱۴
۳-۶-۱) سیستم های هوشمند ۱۴
۷-۱) ساختار پایان نامه ۱۵
فصل دوم : مقدمه ای بر شبکه عصبی و الگوریتم ژنتیک ۱۶

۱-۲) شبکه عصبی ۱۷
۲-۲) ساختار شبکه عصبی مصنوعی ۱۹
۳-۲) شبکه پرسپترون چند لایه ۲۳
۴-۲) فرایند یارگیری ۲۴
۱-۴-۲) الگوریتم پس انتشار ۲۶
۲-۴-۲) الگوریتم پس انتشار ارتجاعی ۳۲
۵-۲) کاربرد شبکه عصبی مصنوعی در سیستم های قدرت ۳۳
۶-۲) الگوریتم ژنتیک ۳۵
۷-۲) ساختار الگوریتم ژنتیک ۳۷
۱-۷-۲) افراد یا کروموزوم ها ۳۴
۲-۷-۲) جمعیت ۳۷
۲-۳-۷) کد گذاری کروموزوم ها ۳۸
۴-۷-۲) تعیین جمعت اولیه ۳۹
۵-۷-۲) تابع هدف ۳۹
۶-۷-۲) انتخاب ۴۰
۷-۷-۲) تقاطع ۴۲
۸-۷-۲) جهش ۴۴
۹-۷-۲) اعمال قیود در بهینه سازی ۴۴
فصل سوم : طراحی شبکه عصبی بهینه شده توسط الگوریتم ژنتیک ۴۶ الف) شبکه بدون اجرای الگوریتم ژنتیک ۴۷
۱-۳) مقدمه ۴۷
۲-۳) بازار برق نوردیک ۴۸
۳-۳) طراحی شبکه عصبی ۵۲
۴-۳) درصد خطای مطلق ۵۷
۵-۳) حد بالای قیمت ۵۹
۶-۳) تعداد نرونهای لایه پنهان ۶۱
۷-۳) رابطه بار با قیمت ۶۲
۸-۳) اصلاح داده ها جهت آموزش ۶۶

ب) بهینه سازی شبکه عصبی مصنوعی توسط الگوریتم ژنتیک ۷۰
۹-۳) تعیین نرونهای لایه پنهان با استفاده از الگوریتم ژنتیک ۷۰
۱۰-۳)شبیه سازی و ابزار آن ۷۴
فصل چهارم:مقایسه روش رگرسیونی با شبکه عصبی بهینه شده با الگوریتم ژنتیک ۷۶ ۱-۴)مقدمه ۷۷
۲-۴) تحلیل رگرسیونی ۷۷
فصل پنجم : نتیجه گیری و پیشنهادات ۸۰

نتیجه گیری ۸۱

پیشنهادات ۸۲
پیوست ۱ ۸۴

پیوست ۲ ۸۶
مراجع فارسی ۸۷

مراجع انگلیسی ۸۸
سایت های اطلاع رسانی ۸۹

چکیده انگلیسی ۹۰

چکیده:
امروزه بازار برق در جهان به صورت علمی شناخته شده می باشد و رقابت در آن هر روز بیشتر از قبل می شود. در این میان پیش بینی قیمت و ابزار آن به شرکت کنندگان بازار در بدست آوردن سود هرچه بیشتر کمک شایانی می کند. هدف این پایان نامه گسترش شبکه عصبی و بهینه سازی آن توسط الگوریتم ژنتیک برای پیش بینی قیمت بازار برق است تا بر دقت هر چه بیشتر این مساله بیافزاید. از آنجا که در مدلهای سنتی و همچنین مدل شبکه های عصبی همواره از روشهای احتمالاتی جهت افزایش دقت پیش بینی استفاده می شود در این مدل سعی شده تا با ارائه روشی جدید از این موارد صرف نظر کرد تا وقت کمتری برای پیش بینی گرفته شود. یکی از مضوعاتی که همواره دقت پیش بینی را تحت تاثیر قرار می دهد وجود موارد بحرانی و ناگهانی در سیستم است که در این پایان نامه با استفاده از روشهای کارآمد این مسائل را کنترل خواهیم کرد. در مدل پیشنهاد شده از اطلاعات بازار برق نوردیک استفاده شده است اما بدیهی است که مدل مزبور برای هر بازار دیگری قابل استفاده می باشد. در پایان برای نشان دادن دقت پیش بینی مدل پیشنهادی، مقایسه ای بین آن و یکی از روشهای سنتی انجام شده است.

مقدمه:
نگرانی اصلی هر صنعت الکتریکی توانایی تولید قابل اطمینان و خدمت رسانی بدون وقفه به مصرف کنندگان خود است. برخلاف دیگر کالاها، انرژی الکتریکی به دلیل ماهیت طبیعی خود، به محض تولید باید مصرف شود که در غیر این صورت بابت تولید،تولید کننده پولی دریافت نمی کند. بنابراین ایجاد طرح منابع مؤثر و مطمئن امری ضروری است. عملکردهایی مانند تعیین قیمت سوخت، برنامه ریزی ورود و خروج واحدهای تولیدی ، همانند برنامه ریزی تعمیرات، باید تا حد امکان جهت کم کردن هزینه عملکرد سیستم، انجام شود.
چالش ها هنگام تجدید ساختار صنعت برق بسیار بااهمیت تر می شود. انتظار می رود که با تجدید سازمان یافتن صنعت برق راندمان بالا رود و رقابت جهت سوددهی به مصرف کننده افزایش یابد. در گذشته اغلب تولیدکنندگان انرژی مالک منابع تولید، انتقال و توزیع بودند. صنایع مجبور بودند با وجود راندمان پایین پول انرژی را بدهند که این موضوع موجب تولید کم بازده، سیاست قیمت گذاری نامعقول و فراوانی نیروی انسانی می شد. با ایجاد بازار آزاد انرژی، دیگر شرکتهای تولید کننده و توزیع برق قادر به انحصار قیمتها و وادار کردن مصرف کننده به پرداخت بهای انرژی، حال هر چه که می خواهد باشد، نیستند و تأکید اساسی بر روی پیش بینی کوتاه مدت بار وپیش بینی کوتاه مدت قیمت به عنوان اطلاعات اساسی برای طراحی سیستم و بهره برداری از آن به همین جهت می باشد.

نتیجه گیری
پیش بینی قیمت امری مهم و ضروری برای کلیه شرکت کنند گان در بازار برق تجدید ساختار یافته است. در گذشته روشهای گوناگونی برای این موضوع بکار برده می شد اما هیچ یک از آنها از دقت کافی برای تعیین قیمت برخوردار نبودند. این حالت در مواقع بحرانی که سیستم وارد حالات غیر عادی می شد بیشتر به چشم می خورد. این موضوع گردانندگان بازار را بر آن داشت که روشهای جدید تری را برای پیش بینی انتخاب کنند و استفاده از شبکه عصبی مهمترین این روشها به شمار می رفت. با روی کار آمدن روش شبکه های عصبی پیش بینی های بار و قیمت بهبود یافت، اما استفاده از آنها خود با مشکلاتی مواجه بود که می توان از عمده ترین آنها بهینه سازی شبکه و بدست آوردن کارایی بهتر به وسیله تعیین تعداد نرونهای لایه پنهان، اشاره کرد. استفاده از روشی که همراه با اجرای برنامه شبکه عصبی آن را به سمت شبکه بهینه پیش ببرد عمده کاری است که باید انجام شود. ایجاد چنین شبکه ای درعین سادگی فقط با روشهای هوشمند مانند الگوریتم ژنتیک امکان پذیر است که در این پایان نامه از این روش یعنی الگوریتم ژنتیک برای بهینه سازی شبکه استفاده شده است.
کلیه کارهای انجام شده در زمینه پیش بینی قیمت هر یک دارای مزایا و معایبی می باشند که در اینجا سه مدل ANN ،ANN بهینه شده با GA و رگرسیون مورد بررسی قرار گرفت.
در مدل ANN بهینه شده با GAبرخلاف مدل ساده ANN دیگر نگرانی تعیین تعداد نرونهای لایه پنهان را نخواهیم داشت چرا که یافتن این تعداد خود به صرف وقت زیادی ممکن است نائل شود ومدل ارائه شده ما را در صرف وقت وسعی وخطا، خود کفا می کند.
مدلهایANN و رگرسیون نسبت به مدل بهینه شده توسط GA از کارائی کمتری برخوردارند. این نتایج به ویژه هنگامی که شرایط غیر عادی در سیستم ایجاد شود محسوس تر می باشد. با توجه به معیار مقایسه روشهای مختلف پیش بینی (MAPE) می توان از کارایی بالاتر مدل ارائه شده در پایان نامه را به وضوح مشاهده کرد.
در مدل ANN بهینه شده با GA فقط کافی است که قیمت و بار گذشته سیستم را بدانیم و شبکه خود ما را در رساندن به نگاشت غیر خطی ورودی وخروجی یاری می کند اما در روش رگرسیون باید عواملی تاثیر گذار به قیمت را بیابیم که پیداکردن همه عوامل عملاً غیر ممکن است و درنتیجه همواره مدل با خطای نسبتاً بزرگتری در برابر ANNو مدل بهینه شده آن برخوردار است.
هنگامی که از موارد مختلف تاثیر گذار بر قیمت به عنوان ورودی شبکه استفاده می شود، متوجه میشویم که استفاده از عوامل زیاد سردرگمی شبکه را بالا برده و در نتیجه پاسخ شبکه با خطای زیادی همراه خواهد بود. بنابراین استفاده از بار و قیمت به عنوان ورودی بهترین نتایج را به دنبال دارد.
تعداد بردارهای آموزشی نقش بسزایی را در بدست آوردن نتایج بازی می کنند. تعداد زیاد بردارها منجر به فراموشی بردارهای اولیه ارائه شده به شبکه می شود و تعداد کم کاهش توانایی شبکه در بازشناسی مناسبترین الگو را نتیجه می دهد بنابراین باید تعدادی مناسب برای این منظور انتخاب کرد که در این پروژه این امر انجام شده است.
در مدل ANN ساده همواره به توزیع احتمالاتی قیمت برای پیش بینی قیمت نیاز است که این موضوع خود به صرف وقت و محاسباتی گران منجر می شود اما در مدلی که در این پایان نامه ارائه شده از آنجا که شبکه با الگوریتم ژنتیک کار می کند و هدف تابع بهینه سازی در این الگوریتم کاهش خطا است، می توان تا اندازه زیادی از محاسبات گفته شده چشم پوشی کرد و مدل خود به تنهایی ما را در یافتن پاسخ بهینه یاری می کند.

نحوه خرید

دانلود رایگان فایل
شما میتوانید تنها با یک کلید به راحتی فایل مورد نظر را دریافت کنید. 🙂

برای دسترسی به این فایل ابتدا باید اشتراک خریداری کنید. برای خرید اشتراک بر روی لینک زیر کلیک کنید.

ارتقاء عضویت

در صورت بروز هر گونه مشکل در روند خرید اینترنتی، بخش پشتیبانی کاربران آماده پاسخگویی به مشکلات و سوالات شما می باشد

راهنمای سایت

برخلاف سایت های دیگر که فایل ها را به صورت تکی می فروشند روال سایت ما این است که شما با عضویت در سایت ما میتوانید از تمام فایل های موجود استفاده کنید.

تمام مطالب سایت فقط برای اعضای سایت رایگان است.

نحوه عضویت در سایت

آخرین مطالب

مطالب مرتبط