کاربرد الگوريتم ژنتيک در بهبود کارائي شبکه‌هاي عصبي در پيش بيني پيک‌بار مصرفي

به گزارش "برق نيوز" در اين مقاله به کاربرد الگوريتم ژنتيک به منظور بهبود پاسخ روش شبکه عصبي MLP جهت پيش بيني پيک بار مصرفي پرداخته شده است. در اين روش به منظور آموزش شبکه از الگوريتم ژنتيک که نسبت به الگوريتم هاي بر پايه نيوتن که قدرت بيشتري در پيداکردن مينيمم کلي دارد استفاده شده است. اين روش توانست با میانگین خطای نسبی برابر 1.207 پيک بار مصرفي غرب کشور را دقیقتر از مدل هاي دیگر بیابد.

چندين ساختار مدل ANN با يک لايه پنهان بررسي شد که بهترين آنها با 3 نورون به عنوان بهترين ساختار انتخاب شد. آزمون پراکندگي داده ها به منظور امتحان انتخاب درست داده هاي تست، آموزش و اعتبار صورت گرفت که اين پديده درستي انتخاب مجموعه داده ها را تاييد کرد.

براي تضمين استفاده از نتايج مدل با بررسي نمودار خطا بازه اطمينان نتايج مدل را در نظر گرفته شد, بطوري که با اطمينان می توان گفت که داده های واقعی تعقيب خواهد شد.

این مقاله توسط غلامحسین شیسی؛ مهدی گودرزی و محسن حیاتی در پانزدهمین کنفرانس مهندسی برق ارائه شده است. در این پژوهش نتایج زیر حاصل گردیده است:

در اين مقاله به کاربرد روش ترکیبی الگوریتم ژنتیک و شبکه عصبیMLP جهت پيش بيني پيک بار مصرفي پرداخته شده است. در اين روش به منظور آموزش شبکه از الگوريتم ژنتيک که نسبت به الگوريتم هاي بر پايه نيوتن قدرت بيشتري در پيداکردن مينيمم کلي دارد استفاده شد. اين روش توانست با دقت بالا پيک بار مصرفي غرب کشور را نسبت به مدل هاي قبلي پيش بيني کند.

چندين ساختار مدل ANN با يک لايه پنهان بررسي شد که بهترين آنها با 3 نورون به عنوان بهترين ساختار به علت تعداد پارامترهاي کم و مقدار درصد متوسط مطلق خطاي نسبي پايين براي داده هاي تست برابر با 1.207 درصد انتخاب شد. نتايج ساختار دو لايه پنهان به علت نداشتن دقت بالا در اين مقاله لحاظ نشده است.

آزمون پراکندگي داده ها به منظور امتحان انتخاب درست داده هاي تست، آموزش و اعتبار صورت گرفت که اين پديده درستي انتخاب مجموعه داده ها را تاييد کرد.

براي تضمين استفاده از نتايج مدل شايسته بود که يک مقدار مشخص خطا را به عنوان بازه مورد اطمينان براي پيش بيني مدل لحاظ شود. با بررسي نمودار خطا بازه اطمينان نسبی نتايج مدل را در نظر گرفته شد طوري که با اطمينان مي توان ادعا کرد که داده های تجربي تعقيب خواهد شد.