view in publisher's site

Short-Term Load Forecasting Based on Deep Learning for End-User Transformer Subject to Volatile Electric Heating Loads

Short-Term Load Forecasting (STLF) for End-User Transformer Level (EUTL) is challenging due to the high penetration of Electric Heating Loads (EHLs), which exhibit significant uncertainty, nonlinearity, and variability. In this paper, a STLF model is proposed based on the Stacked Auto-Encoder Extreme Learning Machine (SAE-ELM) deep learning framework, which can be used to extract hidden features from the time series load data. In order to improve the capability of extracting deep and diverse features from the data and generate a useful knowledge representation structure, a novel specialized feature indices set is proposed to construct the training sample set. The sliding trend, fluctuation rate, grade of change, and smoothness of the time series are considered and quantified as elements of the training sample set. Then, deep nonlinear features are extracted by using the SAE-ELM with no iterative parameter tuning needed. To illustrate the validity of the proposed model, five numerical cases are conducted. Comparison of results shows that the proposed model improves the capability and sensitivity of dealing with load volatility and forecasting accuracy.

پیش‌بینی بار کوتاه‌مدت مبنی بر یادگیری عمیق برای ترانسفورماتور پایان - کاربر به موضوع گرمایش الکتریکی فرار

پیش‌بینی بار کوتاه‌مدت (STLF)برای سطح ترانسفورماتور End (EUTL)به دلیل نفوذ بالای باره‌ای حرارتی الکتریکی (EHLs)چالش برانگیز است که عدم قطعیت قابل‌توجه، غیر خطی بودن و تغییرپذیری را نشان می‌دهد. در این مقاله، یک مدل STLF براساس مدل یادگیری شدید خودکار Auto - Encoder (SAE - elm)پیشنهاد شده‌است که می‌تواند برای استخراج ویژگی‌های پنهان از داده‌های بار سری‌های زمانی مورد استفاده قرار گیرد. به منظور بهبود قابلیت استخراج ویژگی‌های عمیق و متنوع از داده‌ها و تولید یک ساختار نمایش دانش مفید، یک مجموعه شاخص‌های ویژگی خاص برای ساخت مجموعه نمونه آموزشی پیشنهاد شده‌است. روند لغزشی، نرخ نوسان، درجه تغییر، و هموارسازی سری‌های زمانی به عنوان عناصر مجموعه نمونه آموزشی در نظر گرفته می‌شوند. سپس، ویژگی‌های غیر خطی عمیق با استفاده از the - elm با عدم تنظیم پارامتر تکراری مورد نیاز استخراج می‌شوند. برای نشان دادن اعتبار مدل پیشنهادی، پنج مورد عددی انجام می‌شود. مقایسه نتایج نشان می‌دهد که مدل پیشنهادی قابلیت و حساسیت برخورد با نوسانات بار و دقت پیش‌بینی را بهبود می‌بخشد.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله General Engineering
  • ترجمه مقاله General Engineering
  • مقاله مهندسی عمومی
  • ترجمه مقاله مهندسی عمومی
  • مقاله General Materials Science
  • ترجمه مقاله General Materials Science
  • مقاله علوم مواد عمومی
  • ترجمه مقاله علوم مواد عمومی
  • مقاله General Computer Science
  • ترجمه مقاله General Computer Science
  • مقاله علوم کامپیوتر عمومی
  • ترجمه مقاله علوم کامپیوتر عمومی
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.