AU - Kebriaei, Hamed AU - Kamalinejad, Howra AU - Nadjar Araabi, Babak TI - Short term load forecast by using Locally Linear Embedding manifold learning and a hybrid RBF-Fuzzy network PT - JOURNAL ARTICLE TA - jsdp JN - jsdp VO - 16 VI - 1 IP - 1 4099 - http://jsdp.rcisp.ac.ir/article-1-776-fa.html 4100 - http://jsdp.rcisp.ac.ir/article-1-776-fa.pdf SO - jsdp 1 AB  - در این مقاله یک روش یادگیری خم تحت عنوان Locally Linear Embedding (LLE) برای استخراج ورودی‌های دارای اطلاعات بیشتر و کاهش ابعاد فضای ورودی جهت پیش‌بینی بار کوتاه‌مدت، پیشنهاد شده است. روش LLE رابطه غیرخطی بین ویژگی‌ها را با تصویر‌کردن یک خم خطی محلی در فضای ویژگی، می‌یابد. برای بررسی تأثیر روش پیشنهادی در خطای پیش‌بینی بار، یک سامانه پیش‌بینی ترکیبی، از شبکه‌ای با یک تابع پایه رادیال (RBF) و سامانه‌ای فازی، پیشنهاد شده است. شبکه RBF هسته موتور پیش‌بینی و ورودی آن تاریخچه بار است. سامانه استنتاج فازی جهت دخالت‌دادن اثر دما بر بار، با شبکه RBF ترکیب شده است. شبیه‌سازی با داده‌های واقعی بار منطقه مازندران، کارایی موتور پیش‌بینی پیشنهادی را در مقایسه با روش‌های شبکه عصبی مصنوعی، سری زمانی و شبکه نورو- فازی نشان می‌دهد؛ علاوه‌بر‌این، روش انتخاب ورودی (LLE) با روش تحلیل مؤلفه اصلی (PCA) و انتخاب تجربی ورودی‌ها، مقایسه شده است. نتایج شبیه‌سازی با تجزیه و تحلیل آماری معنا‌دار، نشان می‌دهد که روش پیشنهادی، نسبت به سایر روش‌های انتخاب ورودی و موتورهای پیش‌بینی، دارای ابعاد ورودی کوچک‌تر و خطای پیش‌بینی کمتر است. CP - IRAN IN - Electrical and Computer Engineering LG - eng PB - jsdp PG - 41 PT - Research YR - 2019