-
شماره ركورد
30234
-
پديد آورنده
مهناز شريفي
-
عنوان
پيش بيني مصرف انرژي برق با استفاده از روش هاي يادگيري ماشين و الگوريتم ژنتيك، مطالعه موردي
-
مقطع تحصيلي
كارشناسي ارشد
-
رشته تحصيلي
مهندسي صنايع- سيستم‌هاي كلان
-
سال تحصيل
1399
-
تاريخ دفاع
1402/6/26
-
استاد راهنما
مهدي غضنفري
-
استاد مشاور
وحيد خطيبي
-
دانشكده
مهندسي صنايع
-
چكيده
مصرف انرژي به دليل توسعه اجتماعي و شهرنشيني در حال افزايش است. پيش‌بيني مصرف انرژي در ساختمان‌ها براي بهبود بهره‌وري انرژي و توسعه پايدار و در نتيجه كاهش هزينه‌هاي انرژي و تأثيرات زيست‌محيطي ضروري است. پيش‌بيني بار كوتاه‌مدت براي مشتريان انرژي الكتريكي به طور فزاينده‌اي در عملكرد شبكه اهميت پيدا مي‌كند، زيرا سيستم قدرت در حال تبديل شدن به يك سيستم تعاملي و هوشمندتر است. علاوه براين پيش‌بيني بارالكتريكي كوتاه‌مدت دقيق براي ساختمان‌هاي صنعتي يا تجاري به دليل ويژگي‌هاي بار پيچيده و متغيرهاي متعدد تأثيرگذار چالش برانگيزتر است. با مرور ادبيات و ارزيابي مدل‌هاي يادگيري ماشين در حوزه پيش‌بيني مصرف برق نشان داده شده است كه در اين حوزه روش‌هاي يادگيري ماشين و شبكه‌هاي عصبي بر روي داده‌هاي واقعي به خوبي عمل مي‌كند. يكي از مناسب‌ترين الگوريتم‌هاي يادگيري ماشين در اين حوزه شبكه حافظه كوتاه‌مدت طولاني است كه در اين پژوهش به همراه سه تركيب ديگر اين مدل، شبكه حافظه كوتاه مدت طولاني با مكانيزم توجه، شبكه كوتاه مدت طولاني دوجهته و شبكه حافظه كوتاه مدت طولاني با مكانيزم توجه مورد استفاده قرار گرفته‌است. علاوه براين، تعدادي از پارامترهاي معماري اين مدل با استفاده از الگوريتم فراابتكاري ژنتيك به منظور دست‌‌يابي به عملكرد بهينه مدل، انتخاب مي‌شود. سپس با استفاده از الگوريتم خوشه‌بندي كا-ميانگين داده‌هاي آب و هوا به استخراج ويژگي‌هاي آب و هوا صورت مي‌گيرد كه در نهايت عملكرد مدل در حالت كلي و هركدام از خوشه‌ها تحليل و بررسي مي‌شود. علاوه براين ميزان اثرگذاري طول مجموعه داده، تغيير فصل در عملكرد مدل نيز مورد بررسي قرار گرفته است. و در اين پژوهش داده‌هاي مصرف برق دو ساختمان از شبكه شركت توزيع برق شهرستان شازند واقع در استان مركزي استفاده شده است. عملكرد مدل‌ها توسط چهار معيار، ريشه ميانگين مربع خطا، ريشه ميانگين مربعات خطاي لگاريتمي، ضريب تعيين، ميانگين قدرمطلق درصد خطا ارزيابي مي‌گردد.
-
تاريخ ورود اطلاعات
1402/10/02
-
عنوان به انگليسي
Electricity Consumption Prediction Using Machine Learning Methods and Genetic Algorithm: A Case Study
-
تاريخ بهره برداري
1/1/1900 12:00:00 AM
-
دانشجوي وارد كننده اطلاعات
مهناز شريفي
-
چكيده به لاتين
The demand for energy is increasing due to urban development and social progress. To improve energy efficiency and sustainability, it is crucial to predict energy consumption in buildings, which can lead to lower energy costs and reduced environmental impact. Short-term load prediction is becoming more important for electricity customers as the power system becomes more interactive and smarter. However, predicting short-term electricity load for commercial and industrial buildings is more difficult due to complex load characteristics and multiple influencing factors. A review of literature and evaluation of machine learning models in the area of electricity consumption prediction shows that machine learning methods and neural networks perform well on real-world data. The Long Short-Term Memory (LSTM) network is one of the most suitable machine learning algorithms in this field. This research uses bidirectional LSTM models and selects a set of architectural parameters using a Genetic Algorithm to achieve optimal model performance. Additionally, the K-Means clustering algorithm is used to extract weather features from weather data, and the overall performance of the model and each cluster is analyzed. The study uses electricity consumption data from two buildings in the distribution network of Shazand County, Markazi province. Finally, the selected model's performance is evaluated using four criteria: Root Mean Square Error (RMSE), Root Mean Square Logarithmic Error (RMSLE), Coefficient of Determination (R-squared), and Mean Absolute Percentage Error (MAPE).
-
كليدواژه هاي فارسي
پيش بيني مصرف برق، يادگيري ماشين , يادگيري ماشين , شبكه حافظه كوتاه‌مدت-طولاني , الگوريتم ژنتيك , استخراج ويژگي
-
كليدواژه هاي لاتين
Electricity consumption prediction , Machine Learning , LSTM , Genetic Algorithm , feature extraction
-
Author
Mahnaz Sharifi
-
SuperVisor
Dr. Ghazanfari
-
لينک به اين مدرک :
