جمع آوری اطلاعات وسایل الکتریکی فروخته شده درسالهای گذشته و فعلی
پیش بینی پتانسیل وسایل الکتریکی جدید
پیش بینی رشد جمعیت
تعیین کیلووات مصرفی هر وسیله
پیش بینی راندمان وسایل الکتریکی
پیش بینی بار کل منطقه از روی بار برآوردشده برای منطقه

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

۲-۴-۵) روش کاربری ارضی
اصول کلی این روش مبتنی برجمع آوری اطلاعات مورد نیاز ازسطح هر منطقه از شهرمی باشد. دراین روش بعد از تقسیم بندی نواحی، پیش بینی براساس میزان مصرف،متوسط نوع مصرف و همچنین چگالی بار مصرفی صورت خواهد پذیرفت.
معمولا در هر ناحیه کاربری های متفاوتی وجود دارد که با توجه به نوع این کاربریها ومساحت اشغالی آنها پیش بینی باربرای نواحی انجام میشود. مراحل کار بدین صورت می باشد که ابتدا درهرناحیه کوچک انواع کاربری هاومساحت آنها مشخص می شودکه البته انجام همین عمل بسیار زمان برمی باشد،سپس پیش بینی بار برای هرکدام ازاین نواحی کوچک بدست می آید.دراین مرحله با بهره گرفتن از روش های مختلف می توان پیش بینی بار را انجام دادکه باتوجه به نوع روش بکاربرده شده،روش کاربری ارضی می تواند به شاخه های مختلفی تقسیم شود.
پارامترهایی که در پیش بینی بار روش کاربری ارضی باید مورد توجه قرار گیرند عبارتنداز:
چگالی بار
رشد بار
تقسیم بندی نواحی
به طورکلی با توجه به نوع اطلاعات در روش کاربری ارضی مانند طرحهای شهرسازی وعمرانی،این روش بیشتر برای پیش بینی بلند مدت بکارمی رود و کمتر در دوره های میان مدت وکوتاه مدت کاربرد خواهد داشت. نتایج حاصله از برآورد بار بااستفاده ازاین روش می تواند در طراحی شبکه های توزیع درسطح یک شهر یا منطقه درسالهای آینده بسیارمفیدباشد.امروزه استفادهازاین روش باتوجه به رشد دانش شهرسازی وهمچنین افزایش دقت دربرآوردهای اقتصادی، به طور روز افزون رو به افزایش است.
در سال های اخیر کاربرد روش های مدرن هوش مصنوعی نظیر شبکه های عصبی و سیستم های خبره فازی به منظور پیش بینی بار بسیار مور توجه قرار گرفته است.
۲-۴-۶) روش عصبی
بلوک ساختمانی اصلی کلیه مغزهای موجودات زنده، سلولی عصبی یا نرون می باشند هر نرون به صورت یک واحد پردازشگر عمل می کند در واقع مغز مجموعه ای است از چندین میلیون از این واحدهای پردازشگر که به صورت بسیار پیچیده ای به هم مرتطبتند و به صورت موازی عمل می کنند. در مغز هر نرون مقادیر ورودی را از دیگر نرونها می گیرد به تابع انتقال اعمال می کند و خروجی اش را به لایه بعدی از نرونها می فرستد. این نرونها به نوبت خروجی ها را به دیگر لایه ها می فرستند. به روش مشابه شبکه های عصبی مصنوعی از چند صد یا چندین هزار واحد پردازشگر ساده تشکیل شده اند که به صورت موازی به هم مرتبطبند و در چندین لایه به دنبال هم هستند.
یک شبکه عصبی مصنوعی یک سیستم پردازش اطلاعات است که مشخصات کاری آن مشابه شبکه های عصبی طبیعی است شبکه های عصبی مصنوعی بر اساس تعمیم مدل ریاضی نرونهای طبیعی بر اساس فرضیات زیر بوجود آمده اند.
پردازش اطلاعات در عناصر کوچک وساده ای به نام نرون صورت می گیرد.
سیگنال های از طریق خطوط ارتباطی بین نرونها عبور می کند.
هر خط ارتباطی دارای وزنی مشخص است که در یک شبکه عصبی نوعی در سیگنال عبوری ضرب می شود.
هرنرون یک تابع فعالیت دارد که آن را به مجموع ورودیها اعمال می کند ( که معمولا غیر خطی است ) تا سیگنال خروجی اش را مشخص می کند.
هر شبکه عصبی توسط این سه پارامتر مشخص می شود:
نحوه اتصال بین نرونها ( که معماری شبکه نامیده می شود.)
روش تعیین وزنهای اتصالات ( که الگوریتم آموزشی یا یادگیری گفته می شود. )
تابع فعالیت
دسته بندی شبکه های عصبی
شبکه های عصبی را می توان به دو دسته کلی زیر تقسیم کرد:
شبکه های عصبی با یادگیر با ناظر ( پرسپترون )
شبکه های عصبی با یادگیر بدون ناظر ( کوهنن)
گرچه هنوز بیش از ۵۰ سال از تولد روش های محاسباتی مبتنی بر شبکه های عصبی مصنوعی نمی گذرد، لکن این شبکه ها به دلیل ویژگی هایی همچون پردازش موازی، هوشمندی و انعطاف پذیری جایگاه چشمگیری در مسائل پیچیده از قبیل شناخت الگو، خوشه بندی، مدلسازی، تخمین و شناسایی و پیش بینی برای خود باز کرده است.
شبکه عصبی در کاربرد از جهاتی همانند یک ذهن زنده عمل می کند. به این معنا که از مشاهدات انتزاعی هود به قضاوت می پردازد. لذا، شبکه عصبی مدتی را صرف آموزش کرده و سپس به صورت عملیاتی به کار گرفته می شود.
در آموزش شبکه عصبی، هر چه مشاهدات گمراه کننده بوده و با آنچه انتزاع شده است، صحیح تر خواهد بود. البته، این احتمال وجود دارد که برخی مشاهدات گمراه کننده بوده و با روش کلی مشاهدات هماهنگ نباشد. بنابریان، آنچه که به عنوان نمونه های آموزشی در اختیار شبکه عصبی قرار می گیرد، تا حد امکان باید پالایش شده و همسان باشند. شبکه عصبی، آنچه را مشاهده می کند در قالب پارامترهای درونی خود به خاطر می سپارد. در واقع، تکرار هر یک از مشاهدات موجب تغییرات پارامترهای درونی شبکه در جهت حفظ روابط حاکم بر مشاهدات است. آنچه در ذهن شبکه عصبی نگهداری می شود، نه تک تک مشاهدات بلکه روش و برداشت کلی از مشاهدات است. به همین دلیل است که بعضاً شبکه عصبی در رویارویی مجدد با نمونه های آموزشی، چه بسا همراه با خطای قابل اغماضی عکس العمل نشان دهد، اما، این استواری و ثبات در عمل را دارد که در برخورد با عموم نمونه های مشابه، عملکردی مناسب و همراه با خطای قابل اغماض داشته باشد.
مشاهدات یا همان نمونه های آموزشی شبکه عصبی، می تواند همراه با یک پیش قضاوت اولیه و یا بدون قضاوت اولیه باشد. به عبارتی، آموزش شبکه عصبی می تواند همراه با معلم و یا بدون معلم باشد. در آموزش همراه با معلم آنچه به شبکه به عنوان مجموعه آموزشی، آموزش داده می شود، همراه با قضاوتی است که معلم انتظار دارد، لذا، نمونه ها همراه با قضاوت از پیش تعیین شده اموزش داده می شود تا در آینده شبکه در صورت برخورد با نمونه های جدید با توجه به روالی که آموزشی دیده است، عمل کند. در مواردی نیز، نمونه بدون قضاوت اولیه در اختیار شبکه عصبی قرار می گیرد تا خود با مشاهدات پیاپی به دسته بندی و نهایتاً انتزاع کلی از آنها اقدام کند.
شبکه عصبی، از خصوصیات درونی برخوردار است که این خصوصیات نشان دهنده استعداد و گنجایش آن است. همان گونه که یک ذهن زنده در برخی موارد بسیار مستعد، پیشرو و موفق و در برخی موارد، بسیار کند و ناموفق عمل می کند. در ابعاد تنزل یافته، شبکه عصبی نیز بسته به ساختار درونیش در برخورد با مسائل مختلف، عملکرد متفاوتی دارد. یک شبکه عصبی چه بسا در حل یک مسئله بسیار خوب و در حل مسئله ای دیگر بسیار بد عمل کند. لذا، انتخاب ساختار شبکه، متناسب با موضوع مسئله از اهمیت بسیار بالایی برخوردار است.
همانگونه که شرایط و موقعیت نیز در نتیجه آموزش تاثیرگذار است، میزان یادگیری شبکه عصبی نیز به شدت از شرایط اولیه آغاز آموزش شبکه تاثیر می پذیرد. انتخاب مناسب مقادیر اولیه پارامترهای شبکه در نتیجه آموزش آن، بسیار موثر خواهد بود.
یک شبکه عصبی پس از مدتی کاربرد، نیاز به آموزشهای مجدد برای تعمیق و گسترش دانایی خود دارد. آموزش چنانچه شامل نمونه های جدید و یا نمونه هایی که قبلاً خوب آموزش داده نشده است باشد، بسیار موثر خواهد بود.
شبکه های عصبی از جنبه های توپولوژی، ساختاری و روشهاییادگیری به انواع مختلفی تقسیم می شوند و هر یک در کاربردهای خاصی عملکرد مناسبی از خود نشان می دهند. شبکه عصبی چند لایه پرسپترون با روش یادگیری انتشار وارون یکی از متداول ترین شبکه های کاربردی است، در مباحث نظری اثبات شده که شبکه MLP در صورت انتخاب صحیح ساختار مناسب داخلی، قادر است هر گونه سیستم غیر خطی را مدل کرده و شبیه سازی کند.
ساختار شبکه عصبی شامل تعدادی پرسپترون با تابع عملکردی مشخص است که در لایه های مجزا قرار دارند. هر پرسپترون، به واسطه ضرایب وزنی خود، خروجی تمامی پرسپترون های لایه قبلی را تجمیع کرده و از طریق تابع عملکردی به لایه بعدی ارسال می کند. شبکه عصبی داراییک لایه ورودی، یک لایه خروجی و حداقل یک لایه پنهانی است، تعداد پرسپترون در هر لایه متفاوت و بستگی به ساختار شبکه و مسئله دارد.
الگوریتم های محاسبات یادگیری انتشار وارون (Back Propagation) بسیار متنوع و با نتایج و عملکردهای متفاوت هستند. در ساده ترین الگوریتم، ضرایب وزنی شبکه در جهت حداقل کردن تابع هدف شبکه (که گرادیان خطای قضاوت خروجی شبکه است) تغییر می کنند. لذا، در هر مرحله آموزش ضرایب وزنی به قرار زیر تغییر مییابد.

(۱۸-۲)

W_k بردار ضرایب وزنی شبکه،g_k گرادیان خطای خروجی شبکه و a_k ضریب یادگیری شبکه است. این روش، که به اصطلاح الگوریتم کاهش گرادیان نامیده می شود، به دو صورت افزایشی و یا بسته ای قابل پیاده سازی است. در حالت افزایشی، گرادیان خطا پس از هر بار مشاهده یکی از نمونه های آموزشی محاسبه و ضرایب وزنی بهبود داده می وشد. در حالت بسته ای، این کار پس از مشاهده یک دوره کامل نمونه های آموزشی و محاسبه گرادیان کل انجام می گیرد. در اکثر موارد، روش افزایشی عملکرد بهتری نسبت به روش بسته ای دارد.