پيشبيني كوتاه مدت بار بر مبناي شبكه هاي عصبي بهبود يافته و الگوريتم زنبور عسل

Short-term forecast based on improved neural networks and honey bee algorithm

خطاها يا اختلافات در تقاضاي پيش‌بيني بار نسبت به تغذيه‌ها مي‌تواند به جريمه‌هاي سنگين قيمت و يا از دست رفتن فرصت‌هاي مالي منجر شود. پيش بيني بار به عنوان ابزاري كارآمد در كاهش خطاهاي پيش بيني و كاهش جريمه‌هاي قيمت توسط بهره برداران مورد استفاده قرار مي گيرد. در اين مقاله روشي تركيبي مبتني بر روش‌هاي شبكه عصبي و كلوني زنبور عسل براي پيش‌بيني بار كوتاه مدت ارائه شده است. از الگوريتم كلوني زنبور عسل به منظور بهينه سازي رويه يادگيري شبكه عصبي استفاده خواهد شد. وزن‌هاي بهينه شده به روشي بازگشتي با به كارگيري روش بهينه سازي كلوني زنبور عسل به دست آمده كه از الگوريتم كلوني زنبور عسل براي جستجوي بهترين پارامترهاي آموزش استفاده مي شود. هدف از اين مقاله ارتقاي دقت پيش‌بيني بار با به كارگيري بهينه سازي داخلي و قابليت بالاي همگرائي كلوني زنبور عسل بوده است شبكه عصبي با استفاده از الگوريتم بهينه سازي كلوني زنبور عسل آموزش داده شده است تا وزن‌هاي اتصالات نورون‌ها به دست آيد. روشي مبتني بر استفاده از شبكه عصبي و كلوني زنبور عسل براي پيش‌بيني بار كوتاه مدت در شبكه استان كرمانشاه با لحاظ كردن ميزان مصرف روزها در گذشته و عوامل آب و هوايي مانند وزش باد، دما ارائه گرديد. نتايج پياده سازي روش پيشنهادي در متلب نشان داد كه استفاده ازروش الگوريتم كلوني زنبور عسل و شبكه عصبي از دقت مطلوبي برخوردار بوده است به طوري كه انحراف پيش بيني بار در بدترين شرايط به عدد يك رسيد و در بيشتر موارد در زير يك بود كه حد قابل قبولي مي باشد. به طور كلي نتايج شبيه سازي حاكي از كارائي روش پيشنهادي داشته است.

Errors or differences in the prediction of the load on nutrition can lead to heavy price penalties or loss of financial opportunities. Forecasting is used as an effective tool for reducing forecast errors and reducing fines by operators. In this paper, a hybrid method based on neural network and colony methods of bee is proposed to predict short-term load. The bee colony algorithm will be used to optimize the learning pathway of the neural network. The optimized weights are derived in a recursive manner using a honey colony optimization method, which uses the honey colony algorithm to search for the best training parameters. The results of the implementation of the proposed method in MATLAB showed that the technique bee colony algorithm and neural network accuracy favorable so that the deviation of forecasts in the worst conditions to number one, and in most cases below the limit Acceptance. In general, the simulation results indicate the effectiveness of the proposed method.