پيش بيني ميان مدت و كوتاه مدت بار با بكارگيري شبكه هاي عصبي راف و الگوريتم بهينه سازي جهش ملخ

Mid-Term and Short-Term Load Forecasting Using Rough Neural Networks and Grasshopper Mutation

با افزايش جمعيت و رشد جوامع صنعتي تغييرات بار مصرفي در شبكه هاي قدرت غير قابل اجتناب بوده و لازم است ميزان بار مورد نياز شبكه، پيش بيني شود. پيش بيني بار ساعتي به صورت ميان مدت مي تواند معيار مناسبي براي برآورد بار و انرژي باشد. همچنين اين پيش‌‌بيني الگوي خوبي براي پيش بيني كوتاه مدت بار خواهد بود. در اين مقاله روش جديدي براي پيش بيني ساعتي بار به صورت ميان مدت و كوتاه مدت با استفاده از شبكه هاي عصبي راف و الگوريتم جهش ملخ ارائه مي گردد. در اين مقاله يك شبكه عصبي راف بهبود يافته ارائه شده است. شبكه هاي عصبي راف نوعي از ساختارهاي عصبي هستند كه براساس نرون هاي راف طراحي مي شوند. يك نرون راف را مي توان به صورت زوجي از نرون ها در نظر گرفت كه به نرون هاي كران بالا و كران پايين مرسوم هستند. همانند شبكه هاي پرسپترون چند لايه شبكه عصبي راف نيز مي تواند با استفاده از الگوريتم پس انتشار خطا مبتني بر گراديان نزولي آموزش داده شود. با اين حال اين الگوريتم داراي مشكلاتي مانند در دام افتادن در كمينه هاي محلي است كه در اين مقاله به كمك الگوريتم جهش ملخ، بر اين كاستي غلبه مي شود. براي شبيه سازي روش پيشنهادي در پيش بيني بار روزانه، شبكه سراسري برق دبي به منظور اعمال شبكه هاي عصبي راف و تركيب آن با الگوريتم جهش ملخ ارائه مي گردد كه نتايج نشانگر موفقيت آميز بودن روش هاي پيشنهادي مي باشد.

Changes in consumption load in power networks are inevitable with the increasing population and the growth of industrial societies, and it is necessary to forecast the required load of networks. The forecasting of the hourly load in the medium term can be a good measure for evaluating load and energy. This process will also be a good example for short-term forecasting. In this paper, a new method is presented for hourly load forecasting in the short and medium-term load using rough neural networks and the grasshopper mutation algorithm. An improved rough neural network is also presented. Rough neural networks are a type of neural structures designed based on rough neurons. A rough neuron is a pair of neurons that are conventional to upper and lower boundary neurons, similar to multilayer neural perceptron networks. The rough neural network can be trained using a descending-based gradient error post-propagation algorithm. However, this algorithm has certain problems such as being trapped in local minima, a shortcoming which has been overcome in this paper with the help of the grasshopper jump algorithm. The Dobie power global network is proposed to apply the rough neural network and its combination with the grasshopper mutation algorithm to simulate the proposed method in daily load forecasting, and the results indicate the success of the proposed methods.