بهینه‌سازی اسب وحشی با طرح پیش‌بینی بار کوتاه‌مدت مبتنی بر یادگیری عمیق برای شبکه‌های هوشمند

نوع فایل : word

تعداد صفحات ترجمه تایپ شده با فرمت ورد با قابلیت ویرایش : 27

تعداد کلمات : 5200

مجله : sustainability(MDPI)

انتشار : 2023

ترجمه متون داخل جداول : ترجمه شده است

درج جداول در فایل ترجمه : درج شده است

منابع داخل متن : به صورت فارسی درج شده است

کیفیت ترجمه : طلایی

فونت ترجمه : Bنازنین 12

تاریخ انتشار
1 ژوئن 2024
دسته بندی
تعداد بازدیدها
3141 بازدید
110,000 تومان

عنوان فارسی مقاله:بهینه‌سازی اسب وحشی با طرح پیش‌بینی بار کوتاه‌مدت مبتنی بر یادگیری عمیق برای شبکه‌های هوشمند

چکیده

 انرژی محرک اصلی فعالیت انسان است. پاسخ به تقاضا برای حفظ عملکرد کارآمد و قابل اعتماد سیستم‌های شبکه هوشمند بسیار مهم است. روش پیش بینی بار کوتاه مدت (STLF) به ویژه برای میدان‌های الکتریکی در تجارت انرژی بسیار مهم است. این مدل کاربردهای متعددی در عملیات روزمره تاسیسات برق، از جمله سوئیچینگ بار، برنامه ریزی تولید انرژی، ارزیابی قرارداد، خرید انرژی و نگهداری زیرساخت دارد. تعداد قابل توجهی از الگوریتم‌های STLF تعادلی بین نرخ همگرایی و دقت پیش‌بینی ایجاد کرده‌اند. این مطالعه یک روش بهینه‌سازی اسب وحشی جدید با یک طرح STLF مبتنی بر یادگیری عمیق (WHODL-STLFS) برای SGs ارائه می‌کند. روش ارائه شده WHODL-STLFS در ابتدا برای طراحی یک الگوریتم WHO برای انتخاب بهینه ویژگی‌ها از داده‌های برق استفاده شد. علاوه بر این، حافظه کوتاه مدت مبتنی بر توجه (ALSTM) برای یادگیری رفتارهای مصرف انرژی برای پیش‌بینی بار مورد استفاده قرار گرفت. در نهایت، یک الگوریتم بهینه‌سازی جلبک مصنوعی (AAO) به عنوان بهینه‌ساز ابرپارامتر مدل ALSTM استفاده شد. فرآیند اعتبارسنجی تجربی بر روی یک شبکه FE و یک شبکه دیتون انجام شد و نتایج به‌دست‌آمده نشان داد که تکنیک WHODL-STLFS به عملکرد پیش‌بینی بار دقیق در SG ها دست یافت.

 

ادامه مطلب

راهنمای خرید:
  • لینک دانلود فایل بلافاصله بعد از پرداخت وجه به نمایش در خواهد آمد.
  • همچنین لینک دانلود به ایمیل شما ارسال خواهد شد به همین دلیل ایمیل خود را به دقت وارد نمایید.
  • ممکن است ایمیل ارسالی به پوشه اسپم یا Bulk ایمیل شما ارسال شده باشد.
  • در صورتی که به هر دلیلی موفق به دانلود فایل مورد نظر نشدید با ما تماس بگیرید.

Title: Wild Horse Optimization with Deep Learning-Driven Short-Term Load Forecasting Scheme for Smart Grids

 

Abstract

 Energy is a major driver of human activity. Demand response is of the utmost importance to maintain the efficient and reliable operation of smart grid systems. The short-term load forecasting (STLF) method is particularly significant for electric fields in the trade of energy. This model has several applications to everyday operations of electric utilities, namely load switching, energygeneration planning, contract evaluation, energy purchasing, and infrastructure maintenance. A considerable number of STLF algorithms have introduced a tradeoff between convergence rate and forecast accuracy. This study presents a new wild horse optimization method with a deep learningbased STLF scheme (WHODL-STLFS) for SGs. The presented WHODL-STLFS technique was initially used for the design of a WHO algorithm for the optimal selection of features from the electricity data. In addition, attention-based long short-term memory (ALSTM) was exploited for learning the energy consumption behaviors to forecast the load. Finally, an artificial algae optimization (AAO) algorithm was applied as the hyperparameter optimizer of the ALSTM model. The experimental validation process was carried out on an FE grid and a Dayton grid and the obtained results indicated that the WHODL-STLFS technique achieved accurate load-prediction performance in SGs.