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

1 چكيده
2 مقدمه
3 فصل اول : كليات

1-1) هدف 4
2-1) فاكتورهاي تاثير گذار بر قيمت 6
3-1) فرار بودن قيمت 7
4-1) انواع پيش بيني قيمت 8
5-1) انوع كاربران پيش بيني قيمت 9
6-1) روشهاي سنتي براي حل مساله پيش بيني كوتاه مدت قيمت 11
1-6-1) مدل سري هاي زماني 11
2-6-1) مدل رگرسيون 14
3-6-1) سيستم هاي هوشمند 14
7-1) ساختار پايان نامه 15
فصل دوم : مقدمه اي بر شبكه عصبي و الگوريتم ژنتيك 16

1-2) شبكه عصبي 17
2-2) ساختار شبكه عصبي مصنوعي 19
3-2) شبكه پرسپترون چند لايه 23
4-2) فرايند يارگيري 24
1-4-2) الگوريتم پس انتشار 26
2-4-2) الگوريتم پس انتشار ارتجاعي 32
5-2) كاربرد شبكه عصبي مصنوعي در سيستم هاي قدرت 33
6-2) الگوريتم ژنتيك 35
7-2) ساختار الگوريتم ژنتيك 37
1-7-2) افراد يا كروموزوم ها 34
2-7-2) جمعيت 37
2-3-7) كد گذاري كروموزوم ها 38
4-7-2) تعيين جمعت اوليه 39
5-7-2) تابع هدف 39
6-7-2) انتخاب 40
7-7-2) تقاطع 42
8-7-2) جهش 44
9-7-2) اعمال قيود در بهينه سازي 44
فصل سوم : طراحي شبكه عصبي بهينه شده توسط الگوريتم ژنتيك 46 الف) شبكه بدون اجراي الگوريتم ژنتيك 47
1-3) مقدمه 47
2-3) بازار برق نورديك 48
3-3) طراحي شبكه عصبي 52
4-3) درصد خطاي مطلق 57
5-3) حد بالاي قيمت 59
6-3) تعداد نرونهاي لايه پنهان 61
7-3) رابطه بار با قيمت 62
8-3) اصلاح داده ها جهت آموزش 66

ب) بهينه سازي شبكه عصبي مصنوعي توسط الگوريتم ژنتيك 70
9-3) تعيين نرونهاي لايه پنهان با استفاده از الگوريتم ژنتيك 70
10-3)شبيه سازي و ابزار آن 74
فصل چهارم:مقايسه روش رگرسيوني با شبكه عصبي بهينه شده با الگوريتم ژنتيك 76 1-4)مقدمه 77
2-4) تحليل رگرسيوني 77
فصل پنجم : نتيجه گيري و پيشنهادات 80

نتيجه گيري 81

پيشنهادات 82
پيوست 1 84

پيوست 2 86
مراجع فارسي 87

مراجع انگليسي 88
سايت هاي اطلاع رساني 89

چكيده انگليسي 90

چكيده:
امروزه بازار برق در جهان به صورت علمي شناخته شده مي باشد و رقابت در آن هر روز بيشتر از قبل مي شود. در اين ميان پيش بيني قيمت و ابزار آن به شركت كنندگان بازار در بدست آوردن سود هرچه بيشتر كمك شاياني مي كند. هدف اين پايان نامه گسترش شبكه عصبي و بهينه سازي آن توسط الگوريتم ژنتيك براي پيش بيني قيمت بازار برق است تا بر دقت هر چه بيشتر اين مساله بيافزايد. از آنجا كه در مدلهاي سنتي و همچنين مدل شبكه هاي عصبي همواره از روشهاي احتمالاتي جهت افزايش دقت پيش بيني استفاده مي شود در اين مدل سعي شده تا با ارائه روشي جديد از اين موارد صرف نظر كرد تا وقت كمتري براي پيش بيني گرفته شود. يكي از مضوعاتي كه همواره دقت پيش بيني را تحت تاثير قرار مي دهد وجود موارد بحراني و ناگهاني در سيستم است كه در اين پايان نامه با استفاده از روشهاي كارآمد اين مسائل را كنترل خواهيم كرد. در مدل پيشنهاد شده از اطلاعات بازار برق نورديك استفاده شده است اما بديهي است كه مدل مزبور براي هر بازار ديگري قابل استفاده مي باشد. در پايان براي نشان دادن دقت پيش بيني مدل پيشنهادي، مقايسه اي بين آن و يكي از روشهاي سنتي انجام شده است.

مقدمه:
نگراني اصلي هر صنعت الكتريكي توانايي توليد قابل اطمينان و خدمت رساني بدون وقفه به مصرف كنندگان خود است. برخلاف ديگر كالاها، انرژي الكتريكي به دليل ماهيت طبيعي خود، به محض توليد بايد مصرف شود كه در غير اين صورت بابت توليد،توليد كننده پولي دريافت نمي كند. بنابراين ايجاد طرح منابع مؤثر و مطمئن امري ضروري است. عملكردهايي مانند تعيين قيمت سوخت، برنامه ريزي ورود و خروج واحدهاي توليدي ، همانند برنامه ريزي تعميرات، بايد تا حد امكان جهت كم كردن هزينه عملكرد سيستم، انجام شود.
چالش ها هنگام تجديد ساختار صنعت برق بسيار بااهميت تر مي شود. انتظار مي رود كه با تجديد سازمان يافتن صنعت برق راندمان بالا رود و رقابت جهت سوددهي به مصرف كننده افزايش يابد. در گذشته اغلب توليدكنندگان انرژي مالك منابع توليد، انتقال و توزيع بودند. صنايع مجبور بودند با وجود راندمان پايين پول انرژي را بدهند كه اين موضوع موجب توليد كم بازده، سياست قيمت گذاري نامعقول و فراواني نيروي انساني مي شد. با ايجاد بازار آزاد انرژي، ديگر شركتهاي توليد كننده و توزيع برق قادر به انحصار قيمتها و وادار كردن مصرف كننده به پرداخت بهاي انرژي، حال هر چه كه مي خواهد باشد، نيستند و تأكيد اساسي بر روي پيش بيني كوتاه مدت بار وپيش بيني كوتاه مدت قيمت به عنوان اطلاعات اساسي براي طراحي سيستم و بهره برداري از آن به همين جهت مي باشد.

نتيجه گيري
پيش بيني قيمت امري مهم و ضروري براي كليه شركت كنند گان در بازار برق تجديد ساختار يافته است. در گذشته روشهاي گوناگوني براي اين موضوع بكار برده مي شد اما هيچ يك از آنها از دقت كافي براي تعيين قيمت برخوردار نبودند. اين حالت در مواقع بحراني كه سيستم وارد حالات غير عادي مي شد بيشتر به چشم مي خورد. اين موضوع گردانندگان بازار را بر آن داشت كه روشهاي جديد تري را براي پيش بيني انتخاب كنند و استفاده از شبكه عصبي مهمترين اين روشها به شمار مي رفت. با روي كار آمدن روش شبكه هاي عصبي پيش بيني هاي بار و قيمت بهبود يافت، اما استفاده از آنها خود با مشكلاتي مواجه بود كه مي توان از عمده ترين آنها بهينه سازي شبكه و بدست آوردن كارايي بهتر به وسيله تعيين تعداد نرونهاي لايه پنهان، اشاره كرد. استفاده از روشي كه همراه با اجراي برنامه شبكه عصبي آن را به سمت شبكه بهينه پيش ببرد عمده كاري است كه بايد انجام شود. ايجاد چنين شبكه اي درعين سادگي فقط با روشهاي هوشمند مانند الگوريتم ژنتيك امكان پذير است كه در اين پايان نامه از اين روش يعني الگوريتم ژنتيك براي بهينه سازي شبكه استفاده شده است.
كليه كارهاي انجام شده در زمينه پيش بيني قيمت هر يك داراي مزايا و معايبي مي باشند كه در اينجا سه مدل ANN ،ANN بهينه شده با GA و رگرسيون مورد بررسي قرار گرفت.
در مدل ANN بهينه شده با GAبرخلاف مدل سادة ANN ديگر نگراني تعيين تعداد نرونهاي لايه پنهان را نخواهيم داشت چرا كه يافتن اين تعداد خود به صرف وقت زيادي ممكن است نائل شود ومدل ارائه شده ما را در صرف وقت وسعي وخطا، خود كفا مي كند.
مدلهايANN و رگرسيون نسبت به مدل بهينه شده توسط GA از كارائي كمتري برخوردارند. اين نتايج به ويژه هنگامي كه شرايط غير عادي در سيستم ايجاد شود محسوس تر مي باشد. با توجه به معيار مقايسه روشهاي مختلف پيش بيني (MAPE) مي توان از كارايي بالاتر مدل ارائه شده در پايان نامه را به وضوح مشاهده كرد.
در مدل ANN بهينه شده با GA فقط كافي است كه قيمت و بار گذشته سيستم را بدانيم و شبكه خود ما را در رساندن به نگاشت غير خطي ورودي وخروجي ياري مي كند اما در روش رگرسيون بايد عواملي تاثير گذار به قيمت را بيابيم كه پيداكردن همة عوامل عملاً غير ممكن است و درنتيجه همواره مدل با خطاي نسبتاً بزرگتري در برابر ANNو مدل بهينه شده آن برخوردار است.
هنگامي كه از موارد مختلف تاثير گذار بر قيمت به عنوان ورودي شبكه استفاده مي شود، متوجه ميشويم كه استفاده از عوامل زياد سردرگمي شبكه را بالا برده و در نتيجه پاسخ شبكه با خطاي زيادي همراه خواهد بود. بنابراين استفاده از بار و قيمت به عنوان ورودي بهترين نتايج را به دنبال دارد.
تعداد بردارهاي آموزشي نقش بسزايي را در بدست آوردن نتايج بازي مي كنند. تعداد زياد بردارها منجر به فراموشي بردارهاي اوليه ارائه شده به شبكه مي شود و تعداد كم كاهش توانايي شبكه در بازشناسي مناسبترين الگو را نتيجه مي دهد بنابراين بايد تعدادي مناسب براي اين منظور انتخاب كرد كه در اين پروژه اين امر انجام شده است.
در مدل ANN ساده همواره به توزيع احتمالاتي قيمت براي پيش بيني قيمت نياز است كه اين موضوع خود به صرف وقت و محاسباتي گران منجر مي شود اما در مدلي كه در اين پايان نامه ارائه شده از آنجا كه شبكه با الگوريتم ژنتيك كار مي كند و هدف تابع بهينه سازي در اين الگوريتم كاهش خطا است، مي توان تا اندازه زيادي از محاسبات گفته شده چشم پوشي كرد و مدل خود به تنهايي ما را در يافتن پاسخ بهينه ياري مي كند.

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