عنوان پایاننامه
طراحی یک سیستم خبره به منظور پیش بینی تقاضای برق در بخش خانگی با در نظز گرفتن فاکتورهای اجتماعی
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 1913;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 48075
- تاریخ دفاع
- ۱۲ اسفند ۱۳۸۹
- دانشجو
- راحله سادات موسوی زاده
- استاد راهنما
- محمدعلی آزاده
- چکیده
- مزایای انرژی برق، مثل سادگی تبدیل، سهولت و بی خطر بودن انتقال و کنترل آسان، باعث شده است تا این شکل از انرژی، بیش از سایر انرژی ها مورد توجه قرارگیرد. بررسی تقاضای انرژی الکتریکی در بخش خانگی بعنوان مصرف کننده اعم انرژی و شناسایی عوامل تاثیرگذار برمیزان تقاضا در هر کشوری برای تبیین سیاست های آینده امری ضروری است. نظر به اینکه از یک سو سرمایه گذاری در بخش های تولید، انتقال و توزیع صنعت برق بسیار کلان و همچنین زمان بر است و از سوی دیگر با تکنولوژی موجود هنوز نمی توان ذخیره ی این حامل مهم انرژی را در ابعاد بزرگ امکان پذیر نمود، لذا پیش بینی دقیق تقاضای انرژی الکتریکی بالاخص بخش خانگی به عنوان مصرف کننده ی اعم انرژی، نقش بسیار مهم و تعیین کننده ای در اتخاذ تصمیم گیری های بلند مدت در حوزه ی مدیریت انرژی ایفا می کند. همچنین در تهیه سوخت و زمانبندی تعمیر و نگهداری واحد های تولید، پیش بینی تقاضای میان مدت انرژی الکتریسیته نقش به سزایی دارد. به منظور دقت هر چه بیشتر در پیش بینی تقاضای انرژی در بخش خانگی، در این پایان نامه سیستم خبره ای طراحی شده است که با استفاده از روش های هوشمند شبکه عصبی، الگوریتم ژنتیک و شبکه فازی عصبی تطبیقی و همچنین روش سنتی رگرسیون به پیش بینی تقاضای انرژی الکتریکی می پردازد. این سیستم قابلیت این را دارد که مناسب ترین مقدار پارامتر ها را در هر روش بیابد و مسئله را به کمک آنها حل کند. همچنین با یافتن بهترین تعداد داده ی آموزش و تست و پیشنهاد آن به کاربر در افزایش دقت پیش بینی نقش بزرگی ایفا می کند. توسط این سیستم می توان بهترین نوع پیش پردازش داده ها را یافت و در پیش بینی تقاضا برق به کار برد. این سیستم دقیق ترین روش حل مسئله را می یابد و به کاربر اعلام می کند. برای ارتباط با کاربر و افزایش کارایی سیستم، محیط گرافیکی طراحی شده است که از این طریق می توان نتایج را مشاهده کرد. سیستم طراحی شده برای پیش بینی میان مدت و بلند مدت تقاضای برق خانگی آزمایش شده و نتایج در خروجی سیستم اعلام می شود.
- Abstract
- entages of electricity energy, like simplicity of convertion, convenience of transmission and control of easy cause payed this energy attention instead to other energy. Estimation of household electricity energy consumption is necessery for future policyes in each country. Power systems development and increase of their complexity have caused many factors to become significant in electric Power generation and consumption. In order to, meet Power systems requirments continually and having sustained economic growth, electricity demand forecasting has become a very important task for electric utilities. An accurate forecast becames more imperative in managing utility, developing a Power supply strategy, finance planing and electricity market management. Electricity demand forecast should be accomplished over time intervals for economical and efficient operation and also control of Power systems. Medium-term load and energy forecasting is necessary in fuel procurement, scheduling unit maintenance and diversity interchanges too. various techniqes have been proposed for electrical energy demand prediction over different time intervals. In the past decades, there has been an implicit explosion of absorption in Expert System (ES) field. ES supplies robust and flexible means for acquiring solutions to a diversity of problems that often cannot be solved by other, more traditional and orthodox methods. No wadays, its use is increasing rapidly in several sectors for resolution of complicated practical problems. Mean while, electrical energy demand prediction is one of the important concerns of energy systems and consequently development of intelligent prediction methods and algorithms for performing accurate predictions is essential. various techniques have been proposed for electrical energy demand prediction over different time intervals of short term, medium term and long term. This study presents an expert system based on Artificial Neural Net work (ANN), Genetic Algorithm (GA) and Adaptive Net work based Fuzzy Inference System (ANFIS) to forecast long-term yearly household electricity demand. We used a Graphi user Interface (GU I) to represent accurate information to user with respect to ANN, GA, ANFIS and conventional regression approaches. For comparison and accuracy measurement Mean Absolute Percentage Error (MAPE) value is used. The expert system finds the optimum numbers of test and train data and reports them for ANN, GA, ANFIS and conventional regression (OLS) in GU I. Also, the expert system is equipped with analysis of variance (ANOVA) for further analysis and assessment of each of the above methods.