شماره ركورد كنفرانس :
5467
عنوان مقاله :
مديريت دو مرحلهاي انرژي ريزشبكه بر اساس پيشبيني تابع توزيع احتمالي مبتني بر يادگيري عميق و الگوريتم بهبوديافته چندهدفه تكاملي مبتني بر تجزيه
پديدآورندگان :
مرادي نژاد سهيل s1365mn@gmail.com رشته مهندسي برق دانشكده فني و مهندسي، دانشگاه آزاد واحد خوراسگان، اصفهان، ايران , ثقفي هادي h.saghafi@khuisf.ac.ir رشته مهندسي برق دانشكده فني و مهندسي، دانشگاه آزاد واحد خوراسگان، اصفهان، ايران , دلشاد مجيد رشته مهندسي برق دانشكده فني و مهندسي، دانشگاه آزاد واحد خوراسگان، اصفهان، ايران , صادقي رامتين رشته مهندسي برق دانشكده فني و مهندسي، دانشگاه آزاد واحد خوراسگان، اصفهان، ايران
كليدواژه :
تابع توزيع احتمالي , روش بهبود يافته چند هدفه مبتني بر تجزيه , شبكه يادگيري عميق مختلط , ساختار شبكه هاي كانولوشني , ساختار واحد بازگشتي دروازه دا
عنوان كنفرانس :
اولين كنفرانس بين المللي ايده هاي نو در مهندسي برق
چكيده فارسي :
مديريت انرژي ريزشبكه به عنوان مغز سيستم كنترل و نظارت ريزشبكهها نقش اساسي در عملكرد اين شبكهها ايفا ميكند. در اين مقاله، يك روند دو مرحله براي مديريت انرژي ريزشبكه پيشنهاد شده است. در مرحلهي اول، يك روش براي پيشبيني احتمالي تابع توزيع احتمالي (PDF) پارامترهاي داراي عدم قطعيت سيستم ارائه شده است. در اين روش پيشنهادي، از يك ساختار تركيبي مبتني بر روشهاي يادگيري عميق استفاده شده است كه در آن سه قسمت مختلف تشكيل شده است قسمت اول اين روش از ساختار شبكههاي كانولوشني (CNN) براي يادگيري ويژگيهاي مكاني و در قسمت دوم از يك ساختار واحد بازگشتي دروازهدار (GRU) استفاده شده است. اين ساختار تركيبي در قالب يك شبكه يادگيري عميق مختلط (MDN) ادغام شده است تا با دقت و سرعت بسيار بالا تمامي مشخصات آماري را در قالب PDF در اختيار بهرهبردارن شبكه قرار دهد. همچنين، براي تاييد موثر بودن روش MMEOEA/D نتايج اين روش از لحاظ دقت و سرعت با روشهاي چندهدفه تكاملي همچون روش بهينهسازي چندهدفه تكاملي مبتني بر تجزيه (MOEA/D) و روش بهينهسازي دستهبندي نامغلوب ژنتيك –II (NSGA-II) مقايسه شده است. نتايج بر روي يك ريزشبكه با سطح توان پايين مورد ارزيابي قرار گرفته است.
