%41تخفیف

دانلود پروژه:پیش بینی برق بار استان يزد با روشهای هوشمند

تعداد 121 صفحه فایل word قابل ویرایش

Site: www.filenaab.ir
فایل ناب

دانشکده فنی و مهندسی

 

پایان نامه برای دریافت درجه کارشناسی ارشد در رشته مهندسی برق

گرایش قدرت

عنوان

پیش بینی برق بار استان يزد با روشهای هوشمند

چکیده

پیش بینی بلند مدت بار نقشی حیاتی در طراحی شبکه تولید، انتقال و توزیع ایفا می نماید. تقاضای انرژی در چند سال اخیر رشد بسیار وسیعی داشته است و انتظار می رود این رشد همچنان ادامه یابد. مطالعات سنتی برای پیش بینی بلند مدت با در نظر گرفتن روند افزایش و کاهش بار در گذشته و بر پایه روش رگرسیون قرار داشت که نمایشی صحیح از رفتار سیستم قدرت را نشان نمی داد. براي مدلسازي و پيش بيني بار بايد خصوصيات اين کالا را در نظر گرفت. مدل ايجاد شده در صورتي که بتواند با ايجاد رابطه اي از داده هاي قبلي، کمترين خطاي پيش بيني را داشته باشد، موثرتر و کارآمدتر خواهد بود. در مدل هاي کلاسيک ارايه شده در مساله پيش بيني بار با تنوع تعداد متغيرهاي ورودي و عدم پيروي متغيرها از يک مدل سري مشخص، خطاي ناشي از پيش بيني افزايش خواهد يافت. در اين پايان نامه با انگيزه دستيابي به کمترين خطاي پيش بيني و برطرف کردن نواقص روش هاي قبلي، از روشي ترکيبي شبکه عصبي مبتني بر ساختار غير خطي براي آموزش و يادگيري بهتر بر روي مقادير گذشته بار و استفاده از آن براي اطلاعات آينده و از ايده ترکيبي الگوريتم هارموني در يافتن بهترين وزن ها بهره گرفته شده است.. به منظور نشان دادن کارايي روش پيشنهادي در حل مساله پيش بيني بار، از اطلاعات واقعي استان يزد استفاده شده است. همچنين پايان نامه حاضر روشی نوین جهت پیش بینی بلند مدت تقاضای انرژی استان يزد، با در نظر گرفتن تأثیر عواملی نظیر جمعیت، صادرات، واردات، خانوار و تولید ناخالص داخلی، که نسبت به معیارهای دیگر موثر تر بوده را ارائه می نماید. نتايج نشان از دقت بالا و خطاي کمتر در پيش بيني مي دهد. همچنين الگوريتم هوشمند ارايه شده قابليت جستجوي محلي و نهايي آن به طور قابل ملاحظه اي بهبود يافته است.

كليد واژه: پيش بيني بار، الگوريتم عصبي ، الگوريتم هارموني

فهرست مطالب

عنوان                                                                                                   صفحه

چکیده. 1

فصل اول : کلیات و پیشینه تحقیق

1-1 مقدمه. 1

1-2 پیش بینی بار و اهمیت آن.. 1

1-3 دوره های مختلف پیش بینی بار. 1

1-4 روشهای پیش بینی دراز مدت بار. 1

1-5 پیشینه تحقیق.. 1

1-6 ضرورت انجام تحقیق.. 1

فصل دوم : روش های پیش بینی بار

2-1 پارامترهای موثر در انتخاب روش های پیش بینی بار. 1

2-2 روشهای پیش بینی بار. 1

2-2-1  روش مصرف نهایی.. 58

2-2-2  روش اقتصاد سنجی.. 58

2-3 استفاده از روش های هوشمند.. 1

2-4 کاربرد هوش مصنوعی در سیستم های قدرت… 1

2-5 روش های هوشمند پیش بینی بار. 1

2-5-1  روشهای کمی.. 58

2-5-2  روشهای کیفی.. 58

2-5-3  روشهای کمی و کیفی.. 58

2-6 روش سری های زمانی.. 1

2-7 روش رگرسیون برای پیش بینی درازمدت… 1

فصل سوم : روشهاي هوشمند جهت حل مسئله

3-1 الگوریتم جستجوی هارمونی (HS). 1

3-1-1  مراحل پیاده سازی الگوریتم هارمونی.. 58

3-2 مقدمه ای بر هوش مصنوعی.. 1

3-2-1  سیستم های تطبیقی.. 58

3-2-2  پیکربندی سیستم های تطبیقی.. 58

3-3 شبکه های عصبی مصنوعی.. 1

3-3-1  کاربرد شبکه های عصبی مصنوعی.. 58

3-3-2  تعریف پایه ی شبکه های عصبی.. 58

فصل چهارم : شبیه سازی و ارائه نتایج

4-1 مقدمه. 1

4-2 شبیه سازی و ارائه نتایج.. 1

فصل پنجم : نتیجه گیری و پیشنهادات

منابع.. 1

چکیده لاتین… 1

فهرست جدول­ها

عنوان                                                                                                   صفحه

3-1 تناظر پدیده نواختن موسیقی و الگوریتم جستجوی هارمونی.. 1

4-1 نتایج حاصل از مدل سازی بار مصرفی.. 1

4-2 تعداد خانوار. 1

4-3 تعداد جمعیت. 1

4-4 مدلسازی بار مصرفی.. 1

4-5 پیش بینی بار مصرفی با استفاده از روش شبکه عصبی.. 1

 

 

فهرست شکل­ها

عنوان                                                                                                   صفحه

2-1 عوامل موثر در پیش بینی بار. 1

2-2 بار الکتریکی و فاکتورهای متناظر با بار. 1

2-3 طبقه بندی بار. 1

2-4 نمودار مصرفی انرژی الکتریکی در آمریکا (1980 – 1999). 1

3-1 ساختار حافظه هارمونی (HM). 1

3-2 فرایند بهسنه سازی توسط الگوریتم جستجوی هارمونی.. 1

3-3 سه جزء اصلی یک هوش مصنوعی.. 1

3-4 مدل ساده یادگیری ماشین.. 1

3-5 بلوک دیاگرام یک سیستم تطبیقی.. 1

3-6 پیکربندی برای کاربردهای مختلف از سیستم های تطبیقی.. 1

3-7 ساختار شبكه عصبي پيش رو (غير بازگشتي) باسه لايه ،لايه ورودي ، لايه مياني و لايه خروجي.. 1

3-8 ساختار شبكه عصبي برگشتي با سه لايه ، لايه هاي دوم و سوم برگشتي.. 1

4-1 شبکه چندلایه پرسپترون.. 1

4-2 پارامترهای در نظر گرفته شده جهت پیش بینی.. 1

4-3 نمودار تعداد خانوار. 1

4-4 نمودار تعداد جمعیت… 1

4-5 نمودار مدلسازی بار مصرفی.. 1

4-6 نمودار پيش بيني بار مصرفي با استفاده از روش شبكه عصبي.. 1

4-7 ميانگين روند همگرايي الگوريتم‌هاي PSO، GA و HS. 1

قبلا حساب کاربری ایجاد کرده اید؟
گذرواژه خود را فراموش کرده اید؟
Loading...
enemad-logo