پیش بینی تقاضای بار الکتریکی با شبکه عصبی MLP در MATLAB
در این بخش پروژه پیش بینی تقاضای بار الکتریکی با شبکه عصبی پرسپترون چند لایه در نرم افزار MATLAB آماده کرده ایم که در ادامه توضیحاتی از معرفی پروژه ارائه شده و فیلم و تصاویر خروجی پروژه در محیط متلب قرار داده شده است.
تقاضای بار الکتریکی
امروز روش های پیش بینی بار و تقاضای انرژی الکتریکی، با توجه به اینکه هنوز روش موثر و کم هزینه ای برای ذخیره انرژی الکتریکی در دسترس نیست، اهمیت بالایی دارند. در حال حاضر بهترین روش ثبت اطلاعات مصرف مشترکین به طور پیوسته است که می تواند جهت تدوین برنامه تولید با روش ها و معیار های تصمیم گیری مختلف مورد استفاده قرار بگیرد. با توجه به اینکه الگوی مصرف در مناطق مختلف با توجه به پارامتر هایی مثل زمان، شرایط آب و هوایی مانند درجه دمای هوا و میزان بارندگی و شرایط اجتماعی به طور تقریبی قابل دستیابی بوده و تقریبا ثابت است، پیش بینی و شناسایی این الگوی مصرف یکی از راه کار های کنترل تولید انرژی الکتریکی در شبکه های قدرت کوچک و بزرگ می باشد. روش های جدید محاسباتی در آنالیز داده ها امروزه کاربرد موثرتری پیدا کرده اند. انواع شبکه های عصبی به عنوان یکی از این ابزار های هوشمند دارای توانایی آنالیز و پیش بینی داده ها در بازه های زمانی مختلف بوده و می تواند در صورت وجود داده های کافی برای پیش بینی مصرف در آینده بکار رود.
معرفی پروژه
در این پروژه در مثالی از پیش بینی تقاضای بار، مجموعه داده نرمالیزه شده از مصرف مشترکین در 24 ساعت روز به مدت یک سال موجود می باشد. از این مجموعه داده برای آموزش یک شبکه عصبی پرسپترون دو لایه (Multi-Layer Perceptron – MLP) به منظور رسیدن به تابع پیش بینی مناسب استفاده می گردد. در این پروژه پیش بینی در چهار ساعت مختلف از شبانه روز انجام گرفته است. در این پروژه شبکه عصبی ابتدا داده ها از فایل اکسل فراهم شده خوانده می شود و به صورت بردار با ابعاد مناسب برای تعریف شبکه عصبی بکار می روند. داده ها به تفکیک ساعت در طول شبانه روز مرتب می شوند. برای سیستم پیش بینی علاوه بر ساعت مورد نظر شبانه روز باید داده های گذشته (حداقل پنج روز) نیز فراهم باشد. در مرحله طراحی هر شبکه عصبی به ازای افق پیش بینی تعیین شده از این داده ها جهت آموزش خود استفاده می کند. در نهایت و پس از پایان آموزش شبکه، از تابع بدست آمده برای پیش بینی استفاده می گردد.
نتایج شبیه سازی با MATLAB
نتایج پیش بینی برای دوره زمانی در شکل های زیر رسم گردیده است. برای ارزیابی شبکه علاوه بر داده های آموزشی از بخشی از اطلاعات به عنوان داده های تست استفاده می گردد. نتایج شبیه سازی با نرم افزار MATLAB نشان دهنده موفقیت نسبی شبکه جهت پیش بینی مصرف می باشد. قابل ذکر است که با توجه به وجود عدم قطعیت ها و پارامترهای مختلف در شبکه، بسته به ظرفیت و قابلیت های شبکه معمولا مقدار مشخصی از خطا در پیش بینی قابل تحمل می باشد. مهمترین چالش و خطا در نقاط پیک که به صورت سیگنال ضربه ای مانند، در شکل مشخص است، مشاهده می گردد.
هیچ نظری ثبت نشده است