پیش بینی بار الکتریکی کوتاه مدت با استفاده از روش های داده کاوی

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

 پیش بینی بار الکتریکی کوتاه مدت با استفاده از روش های داده کاوی دارای ۱۰ صفحه می باشد و دارای تنظیمات در microsoft word می باشد و آماده پرینت یا چاپ است

فایل ورد پیش بینی بار الکتریکی کوتاه مدت با استفاده از روش های داده کاوی  کاملا فرمت بندی و تنظیم شده در استاندارد دانشگاه  و مراکز دولتی می باشد.

توجه : در صورت  مشاهده  بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل ورد می باشد و در فایل اصلی پیش بینی بار الکتریکی کوتاه مدت با استفاده از روش های داده کاوی،به هیچ وجه بهم ریختگی وجود ندارد

بخشی از متن پیش بینی بار الکتریکی کوتاه مدت با استفاده از روش های داده کاوی :

تعداد صفحات :۱۰

چکیده مقاله:

از آنجایی که انرژی الکتریکی قابل ذخیره سازی نیست، تولید و مصرف آن در صنعت برق بایستی متناسب با تقاضا باشد. شرکت های توزیع نیروی برق به عنوان خریدار برق، پیش بینی بار الکتریکی کوتاه مدت ( STLF ) شبکه تحت پوشش خود را به شرکت های برق منطقه ای به عنوان فروشنده اعلام می کنند. ازآنجایی که الگوی بار مصرفی یک منحنی غیرخطی با پارامترهای متنوعی است، پیش بینی آن با روش های آماری معمول از دقت لازم برخوردار نبوده و کاهش خطای این پیش بینی تاثیر بسزایی در کاهش هزینه تولید، خاموشی های ناخواسته و جریمه های اقتصادی می شود.فرآیند داده کاوی از طریق تکنیک های پیش بینی از قبیل رگرسیون، درخت تصمیم و شبکه عصبی می تواند میزان مصرف برق را به خوبی پیش بینی نماید. هدف از این مقاله، یافتن مدل داده کاوی بهینه ای جهت تحلیل میزان برق مصرفی گذشته و فاکتورهای موثر دیگر از قبیل بهای برق، دمای هوا، سرعت باد، بارش باران، روز هفته، تعطیلی روز و تاریخ جهت پیش بینی مصرف برق در آینده است. مجموعه داده هایی تحقیق مربوط به اطلاعات بار الکتریکی شرکت توزیع برق استان کرمانشاه و نیز اطلاعات هواشناسی اداره کل هواشناسی استان در سال های ۱۳۹۲ و ۱۳۹۳ به صورتروزانه است. برای ساخت مدل های داده کاوی موردنظر در این تحقیق از نرم افزار کلمنتاین ۱۲ استفاده شده است والگوریتم های مورداستفاده شامل درخت رده بندی و رگرسیون ( C&RT )، شبکه عصبی و رگرسیون ساده بوده است. با پیاده سازی مدل های مختلف پیش بینی عددی بر اساس متد CRISP-DM مشاهده گردید شبکه عصبی ۲ لایه ای با ۵ نرون ورودی و یک نرون خروجی با میانگین درصد خطای ۳/۲۸ عملکرد بهتری نسبت به درخت C&RT با میانگین درصد خطای ۳/۹و الگوریتم رگرسیون با۵/۹ و نیز روش فعلی پیش بینی با میانگین درصد خطای ۳/۸۴ دارد.همچنین مشخص شد که متغیرهای دمای هوا، قیمت برق مصرفی و مصرف برق روز مشابه از سال گذشته بیشترین تاثیر را بر پیش بینی های انجام شده داشتند