عنوان پایان‌نامه
پیش بینی کوتاه مدت بار الکتریکی با استفاده از مدلهای عصبی-فازی با بهره گیری از الگوریتمهای بازگشتی
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه دانشکده برق و کامپیوتر شماره ثبت: E1887;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 49062
- تاریخ دفاع
- ۰۹ اسفند ۱۳۸۹
- دانشجو
- محمد کمیجانی
- چکیده
- در این پژوهش دو روش تطبیقی مبتنی بر مدلهای عصبی فازی در زمینه پیش بینی کوتاه مدت مصرف بار الکتریکی ارائه شده است اکثر روشهای پیش بینی کوتاه مدت بار به طریق برون خط صورت می گیرند که این روش به دلیل افزایش روز افزون حجم داده و همچنین تغییر الگوی مصرف در طول زمان کاربرد عملی نخواهد داشت.در سال های اخیر , ارائه و توسعه روش های برخط و به خصوص روش های محلی نظیر روش های مبتنی بر مدل عصبی فازی تاکاگی سوگنو توجه فراورانی را به خود جلب کرده است. نخستین روش پیشنهادی الگوریتم عصبی موجک خطی محلی بازگشتی نام دارد که مدل آن معادل با مدل تاکاگی سوگنو است با این تفاوت که در آن توابع موجک جایگزین توابع عضویت فازی شده اند. شناسایی ساختار در این الگوریتم که معادل با محلی کردن توابع ارزیابی موجک در فضای داده است, توسط یک الگوریتم خوشه یابی نموی فازی صورت می گیرد. بک رویکرد شبه ایستا شامل روش بازگشتی مبتنی بر مشتق گیری , گوس- نیوتن و روش کمترین مربعات بازگشتی به خدمت گرفته می شود تا بتوان به ترتیب بردار فرکانس مدولاسیون توابع موجک و پارامترهای مدل خطی را به صورت بازگشتی بدست آورد.این روش بر روی سری زمانی آشوبناک مکی- گلاس که به عنوان یک ارزیابی مقایسه ای متداول بین روش های برخط مطرح است, آزموده شده است و نتایج بیان گر آن هستند که مدل پیشنهادی توانسته این سری زمانی را با دقت بیشتر و با تعداد مدل محلی کمتر نسبت به روش های مشابه برخط مطرح موجود در ادبیات , پیش بینی نماید. مصرف بار الکتریکی به طور خاص در مقیاس زمانی کوتاه مدت, نمایانگر یک سیستم غیرخطی متغیر با زمان است. در بررسی موردی دوم نشان داده می شود که با استفاده از مدل محلی کارآمد ارائه شده و همچنین با بهره جویی از ورودی های مناسب می توان به خوبی و به صورت برخط چنین سیستمی را شناسایی و پیش بینی نمود. روش نوین دیگری که در این پژوهش ارائه می شود یک الگوریتم تاکاگی سوگنو متحول شونده است مه تفاوت عمده آن با روش های برخط مشابه خود در استفاده از مدل کمترین مربعات ماشین بردار پشتیبان در بخش موخر مدل تاکاگی سوگنو به عنوان جایگزینی غیرخطی برای مدل های متداول خطی است. این الگوریتم به دلیل استفاده از مدل های غیرخطی و زیربهینه Ls- SVM در لایه خروجی مدل اصلی دارای دقت بالا و سرعت قابل قبول است. نتایج به خوبی کارایی این روش را در مواجهه با پیش بینی سری های زمانی غیرخطی و همچنین نویزی تایید می کند. پیش بینی ساعتی و برخط بارالکتریکی شهر تهران چالش دیگر مدل پیشنهادی است که نشان می دهد این مدل در حضور داده های دورافتاده نیز عملکرد خوبی دارد.
- Abstract
- An approach to on-line prediction of time-variant nonlinear dynamic systems is proposed in this study to forecast daily peak load in Slovakia in January 1999. A new recursive method is suggested for parameter identification of local linear neural network model with wavelet-basis functions which is named by local linear wavelet neural network (RLLWNN). Wavelet functions are defined by statistical means and deviations and special frequencies which are tuned for local partitioning of input data space and preparing less modeling error. At first, Statistical means and deviations are obtained from an incremental clustering method. At the next step, a quasi-static method is employed to compute modulation frequencies of wavelet functions and parameters of the LLMs, using Recursive Weighted Least Squares (RWLS) and recursive Gauss-Newton optimization method, respectively. Since the presented method utilizes local structure, the process of on-line learning in one operating region can be accomplished without changing other region’s parameters. As another contribution to this thread, a novel online learning approach for Takagi-Sugeno models is proposed in this report. Unlike most of the previous online methods which use T-S fuzzy model in which the consequent part for each rule is represented by a linear model, the proposed learning method utilizes Local LS-SVM models as Nonlinear Rule Consequence. We present a fuzzy identification method based on incremental fuzzy clustering in which fuzzy rules can be created and updated adaptively. Then, the algorithm effectively updates parameters of each Local LS-SVM model (rule-consequence) recursively adopting the fixed-size moving window scheme and a two-stage recursive learning framework to minimize the local modeling error as well as to trace Process Dynamics. A new recursive algorithm based on recursive gradient based methods is used to adaptively update the meta-parameters of the LS-SVM model. Consequently, the presented model can exhibit a good generalization ability and trace the process characteristics effectively. Efficiency of proposed method is comparable to state of art methods in the online learning context. The results confirm the performance of the introduced algorithm for online prediction of time-varying time series.
