مشاوره انجام پروپوزال ارشد انجام پایان نامه دکتری تهران تبریز اصفهان شیراز

تخمین بار و قیمت امری با ارزش و حیاتی برای كلیه شركت كنند گان در بازار برق است. پیشتر متدهای مختلفی وجود داشت (متدهای سنتی) اما دقت آنها برای تعیین بار و قیمت کافی نبود. بطور كلی متدهای تخمین بار كوتاه مدت به دو بخش سنتی و مدرن تقسیم شدهاند. از جمله متدهای سنتی می توان به سریهای زمانی و تحلیلهای برازشی اشاره نمود و ازجمله روشهای مدرن میتوان به؛ فیلتر كالمن، سیستمهای خبره، استنتاج فازی، شبکههای عصبی و شبکههای عصبی- فازی اشاره نمود. شبکههای عصبی با الهام از سیستم عصبی بدن طراحی و ابداع شدهاند، بدين معنی كه يک شبکه عصبی از چندين عنصر به اسم نرون تشکیل شده است و هريک از اين نرونها با نرونهای ديگر ارتباط دارد، البته ارتباط بین نرونها وزندار میباشد. اين وزنها به عنوان پارامترهای مهم در آموزش شبکههای عصبی مطرح میشوند كه يک ورودی خاص منجر به خروجی خاص در ليه خروجی شبکه عصبی شود. دو و يا چند نرون میتوانند در يک ليه از شبکه با هم تركیب شوند. همچنین يک شبکه ممکن است شامل يک يا چند ليه باشد. در تحقیق پیشرو، ورودیهای دمای خشک، دمای نقطه شبنم، روزهای هفته، روزهای کاری، ساعت، بار در هفتۀ گذشته، بار در روز گذشته و بار ساعت به ساعت به 24 ساعت گذشته، سال 1395 شهرستان ..... را به کار خواهیم برد که با آنها به وسیلۀ شبکه عصبی به پیشبینی بار خواهیم پرداخت. در نهایت به این سئوالها پاسخ خواهیم داد که؛ ایا پخش بار شبکه از کارایی لازم برخوردار است یا خیر؟ همچنین به چه میزان میتوان رابطۀ بین قیمت و بار شبکه را به درستی تخمین زد؟

منابع و مأخذ
كيا م. (1390). شبكههاي عصبي درmatlab ، چاپ اول، تهران: انتشارات كيان رايانه سبز.
M. Parastegari, H. Amooshahi, R. Hooshmand, A hybrid intelligent algorithm based short-term load forecasting approach,”Electrical Power and Energy Systems, 45:313–324, (2013).
Mohsenian-Rad A.-H. and Leon-Garcia A., (2010), “Optimal Residential Load Control With Price Prediction in Real-Time Electricity Pricing Environments”, IEEE Transactions on Smart Grid, Vol. 1, No. 2, pp. 120-133.
Su C., L., (2007), “Optimal Demand-Side Participation in Day-Ahead Electricity Markets”, PhD thesis submitted to The University of Manchester.

ساختار شبکه عصبی چند لایه

R – S1 – S2 – S3  Network

در این کار، تبدیل یک متغیر پیوسته به تعدادی متغیر گسسته که بتوانند به عنوان ورودی شبکه عصبی بیزین استفاده شوند، توسط مدل ترکیبی با توابع گوسین صورت می گیرد در يک شبکه چند لايه، هر لايه ماتريس وزن W ويژه خود، بردار باياس b خود، يک بردار ورودی n مربوط به خود و يک بردار خروجی a ويژه خود را دارد. لايه های مختلف می توانند تعداد نرون های متفاوتی داشته باشند. لايه ای که خروجی آن، خروجی شبکه است، يک لايه خروجی ناميده می شود. لايه های ديگر، لايه های پنهان نام دارند. شبکه های چند لايه قدرتمند تر از شبکه های تک لايه هستند. برای نمونه، يک شبکه دو لايه که شامل يک لايه اول سيگموئيد و يک لايه دوم خطی می باشد، می تواند به منظور تقريب اکثر توابع اختياری آموزش داده شود. بيشتر شبکه های کاربردی تنها دو يا سه لايه دارند.

⦁ نگاشت خروجي و الگوريتم يادگيري در CMAC
⦁ خروجي، مجموع وزنهاي فوق مكعبهاي فعال شده است.
تنظيم وزنها

هنگامی که یک جزء اضافه می شود، اگر ارتباط میان kامین جزء و اجزاء قبلی هنوز هم مستقل باشد، پارامترها با تخمین دوباره از k جزء بدست می آیند. برعکس اگر حداقل یکی از اجزا با جزء اضافه شده همبسته باشد، باید پارامترها را در مدل ترکیبی (k-1) ملاحظه کنیم و تعداد ترکیبات را حداقل (k-1) مشخص کنیم.

شبکه عصبی مصنوعی یک سامانه پردازشی داده‌ها است که از مغز انسان ایده گرفته و پردازش داده‌ها را به عهدهٔ پردازنده‌های کوچک و بسیار زیادی سپرده که به صورت شبکه‌ای به هم پیوسته و موازی با یکدیگر رفتار می‌کنند تا یک مسئله را حل نمایند. در این شبکه‌ها به کمک دانش برنامه‌نویسی، ساختار داده‌ای طراحی می‌شود که می‌تواند همانند نورون عمل کند؛ که به این ساختارداده نورون گفته می‌شود. بعد باایجاد شبکه‌ای بین این نورونها و اعمال یک الگوریتم آموزشی به آن، شبکه را آموزش می‌دهند. از آنجايی که تابع انتقال لگاريتمی سيگموئيد، يک تابع مشتق پذير است، عموماً از آن در شبکه های چند لايه ای استفاده می شود که با استفاده از الگوريتم پس انتشار خطا ( Backpropagation ) آموزش می پذيرند. نمونه ای از اين تابع به صورت زير است: مطابق اين عبارت، ورودي اين تابع انتقال مي تواند هر مقداري بين منفي بينهايت تا مثبت بينهايت باشد در حاليکه خروجي آن در بازه صفر و 1 محدود شده است.