دوره 16، شماره 1 - ( 3-1398 )
جلد 16 شماره 1 صفحات 56-41 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Kebriaei H, Kamalinejad H, Nadjar Araabi B. Short term load forecast by using Locally Linear Embedding manifold learning and a hybrid RBF-Fuzzy network. JSDP 2019; 16 (1) :41-56
URL: http://jsdp.rcisp.ac.ir/article-1-776-fa.html
URL: http://jsdp.rcisp.ac.ir/article-1-776-fa.html
کبریائی حامد، کمالی نژاد حوراء، نجار اعرابی بابک. پیش‌بینی بار کوتاه‌مدت با انتخاب ورودی به روش LLE و موتور پیش‌بینی ترکیبی RBF-Fuzzy . پردازش علائم و داده‌ها. 1398; 16 (1) :41-56
پردیس دانشکده‌های فنی، دانشگاه تهران
چکیده: (4587 مشاهده)
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.
واژه‌های کلیدی: یادگیری خم به روش (LLE)، انتخاب ورودی، شبکه RBF، سامانه فازی، پیش‌بینی بار الکتریکی کوتاه‌مدت
نوع مطالعه: پژوهشي |
موضوع مقاله:
مقالات پردازش داده‌های رقمی
دریافت: 1396/6/14 | پذیرش: 1397/2/17 | انتشار: 1398/3/20 | انتشار الکترونیک: 1398/3/20
دریافت: 1396/6/14 | پذیرش: 1397/2/17 | انتشار: 1398/3/20 | انتشار الکترونیک: 1398/3/20
فهرست منابع
1. [1] D. Liang, M. Zhichun, "Short-term load forecasting based on fuzzy neural network," Journal of University of Science and Technology Beijing, 4, pp. 46-49, 1997.
2. [2] K.H Kim, H.S Youn, Y.C. Kang, "Short-term Load Forecasting for Special Days in anomalous Load Conditions Using Neural Network and Fuzzy Inference Method," IEEE Transactions on Power Systems, vol.15, pp. 559-569, 2000. [DOI:10.1109/59.867141]
3. [3] W. Charytoniuk, M. S. Chen, "Neural Network design for Short-Term Load Forecasting," Proceedings of International Conference on Electric Utility Deregulation and Restructuring and Power Technologies, London, pp. 4-7, 2000.
4. [4] Z. Tao, Z. Dengfu, Z. Lin, W. Xifan, X. Daozhi, "Short-Term Load Forecasting Using Radial Basis Function Networks and Expert system," Journal of XI'AN JIAOTONG University , vol.35, pp. 331-334, 2001.
5. [5] Z. Xin, C. Tian-Lun, "Nonlinear Time Series Forecast Using Radial Basis Function Neural Network," Commun. Theor. Phys, vol.40, pp.165-168, 2003. [DOI:10.1088/0253-6102/40/2/165]
6. [6] V. S. Kodogiannis, E. M. Anagnostakis, "Soft computing based techniques for short-term load forecasting," Fuzzy Sets and Systems 128(3), pp. 413-426, 2002. [DOI:10.1016/S0165-0114(01)00076-8]
7. [7] R.R.B. de Aquino, et.al, "Combined Artificial Neural Network and Adaptive Neuro-Fuzzy Inference System for Improving a Short-Term Electric Load Forecasting," Lecture Notes in Computer Science, 4669, 779-788, 2007. [DOI:10.1007/978-3-540-74695-9_80]
8. [8] Musa, Abdallah Bashir. "A comparison of ℓ1-regularizion, PCA, KPCA and ICA for dimensionality reduction in logistic regression." International Journal of Machine Learning and Cybernetics 5.6 , pp.861-873, 2014. [DOI:10.1007/s13042-013-0171-7]
9. [9] L. Cayton, Algorithms for manifold learning, University of California, San Diego, Tech. Report, 2005.
10. [10] I. Borg and P. Groenen, Modern Multidimen-sional Scaling: Theory and Applications. New York: Springer-Verlag, 1997. [DOI:10.1007/978-1-4757-2711-1]
11. [11] J. B. Kruskal, "Multidimensal scaling by optimizing goodness of fit to a nonmetric hypothesis," Psychometrika, vol.29, pp. 1-27, 1964. [DOI:10.1007/BF02289565]
12. [12] Ji, Rongrong, et al, "Towards Optimal Manifold Hashing via Discrete Locally Linear Embedding," IEEE Transactions on Image Processing, 2017. [DOI:10.1109/TIP.2017.2735184] [PMID]
13. [13] Liu, Xin, et al, "Locally linear embedding (LLE) for MRI based Alzheimer's disease classification," Neuroimage, vol. 83, pp.148-157.2013. [DOI:10.1016/j.neuroimage.2013.06.033] [PMID] [PMCID]
14. [14] J. Yang, B. Ming Xiang, and Y. Zhang, "Multi-manifold Discriminant Isomap for visualization and classification," Pattern Recognition, vol. 55, pp. 215-230, 2016. [DOI:10.1016/j.patcog.2016.02.001]
15. [15] M. Belkin ,and P. Niyogi, "Laplacian eigenmaps for dimensionality reduction and data representation," Neural Compute, vol. 15(6), pp. 1373-1396, 2003. [DOI:10.1162/089976603321780317]
16. [16] Ye. Qiang, and W. Zhi, "Discrete hessian eigenmaps method for dimensionality reduction," Journal of Computational and Applied Mathematics, vol.278, pp.197-212, 2015. [DOI:10.1016/j.cam.2014.09.011]
17. [17] Su, Zuqiang, et al., "Fault diagnosis method using supervised extended local tangent space alignment for dimension reduction," Meas-urement, vol. 62, pp.1-14, 2015. [DOI:10.1016/j.measurement.2014.11.003]
18. [18] L. Haghverdi, F. Buettner, and J. Fabian, "Diffusion maps for high-dimensional single-cell analysis of differentiation data," Bioin-formatics, vol. 31.18, pp.2989-2998, 2015. [DOI:10.1093/bioinformatics/btv325] [PMID]
19. [19] Lunga, Dalton, et al. "Manifold-learning-based feature extraction for classification of hyperspectral data: A review of advances in manifold learnping," IEEE Signal Processing Magazine, vol. 31.1, pp.55-66, 2014. [DOI:10.1109/MSP.2013.2279894]
20. [20] J. Wang, Z. Zhang, and H. Zha, "Adaptive manifold learning," In Advances in Neural Information Processing Systems, 2004.
21. [21] W. H Press, et al, Numerical Recipes in C: The Art of Scientific Computing, Cambridge University Press, pp. 616, 1992.
22. [22] فريبرز نيا روح الله, امجدي نيما، پيش‌بيني بار كوتاه‌مدت با استفاده از تجزيه سري زماني بار و شبكه عصبي، مجله مدل‌سازي در مهندسي، دوره 2، شماره 16، بهار 87
23. [22] R. Fariborznia, N. Amjadi, "short term load forecast by using time series decomposition of load and neural networks," Journal of Modeling in Engineering, vol.15 (16), 2007.
24. [23] سيد شنوا سيد جلال، قاسمي علي، شايقي حسين و نوشيار مهدي. ارايه يك مدل تركيبي در پيش‌بيني بار در بازار برق تجديد ساختار يافته. نشريه علمي پژوهشي كيفيت و بهره‌وري صنعت برق ايران، سال دوم شماره سوم، بهار و تابستان 92
25. [23] S.sh. Seyed Jalal, et al, "A Composite Model for Load Forecasting in the Restructured Electricity Market," Journal of Quality and Productivity in Iran Electric Industry, vol.2(3), 2013.
26. [24] مشاري امير، ابراهيمي اكبر، صدري سعيد، ابراهيمي محمد. پالايش داده‌هاي آموزشي شبكه عصبي و بررسي تأثير آن در كاهش خطاي پيش‌بيني كوتاه مدت بار سيستم‌هاي قدرت. نشريه استقلال. سال 28. شماره 2. اسفند 88
27. [24] A. Moshari, et al., "Purification of Neural Network Train Data and its Effect on Reducing Short-Term Prediction Errors of Power Systems," Esteghlal Magazine. vol.28 (2), 2009.
28. [25] شايقي حسين، قاسمي علي. مدل‌سازي سيستم چند ورودي چند خروجي براي پيش بيني همزمان قيمت و بار در شبكه هوشمند با اعمال مديريت بار. نشريه هوش محاسباتي در مهندسي برق. سال ششم، شماره چهارم، زمستان 94.
29. [25] H. Shayeghi, et al, "Multi-Input Multi-output System Modeling for simultaneous prediction of price and load in the smart grid by applying load management," Journal of Computational Intelligence in Electrical Engineering, Vol. 6 (4), 2015.
30. [26] كريمي مازيار، كرمي حسين، غلامي مصطفي، خطيب زاده هادي، مسلمي نيكي. اولويت‌بندي روزهاي مشابه جهت پيش‌بيني بار كوتاه مدت شبكه ايران با در نظر گيري دما و بخش‌بندي سيستم قدرت. مجله انجمن مهندسي برق و الكترونيك ايران، سال چهاردهم، شماره سوم، پاييز 96
31. [26] M. Karimi , et al., "Prioritizing the same days to predict the short-term load of Iran's network by considering the temperature and power system segmentation," Journal of Iranian Association of Electrical and Electronics Engineers. Vol. 14 (3), 2016.
32. [27] قانعي يخدان حسين. روشي جديد براي اختفاي خطا در فريم‌هاي ويدئو با استفاده از شبكه عصبي RBF. فصل‌نامه علمي - پژوهشي پردازش علائم و داده‌ها، جلد دهم، شماره 1، آذر 92
33. [27] H. Ghanei yakhdan, "A new method to hide errors in video frames using RBF neural network," Journal of Signal and Data Processing, vol.10 (1), 2013.
34. [28] گوهريان نازنين، مقيمي سحر، غلامي مصطفي، كلاني هادي. استفاده از تركيب الگوريتم ژنتيك و شبكه‌هاي عصبي مصنوعي براي پيش‌بيني نيروي گاز گرفتن از روي سيگنال الكترومايوگرام. فصل‌نامه علمي-پژوهشي پردازش علائم و داده‌ها، جلد چهاردهم، شماره 1، تير ماه 96.
35. [28] N. Goharian, et al., "Use of combination of genetic algorithm and artificial neural networks to predict the bite force from an electromyogram signal," Journal of Signal and Data Processing, Vol.14 (1), 2017.
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |
