ترغب بنشر مسار تعليمي؟ اضغط هنا

التنبؤ باستهلاك الطاقة الكهربائية باستخدام شبكات RNN

Prediction of Electric Power Consumption Using RNN Networks

990   1   0   0.0 ( 0 )
 تاريخ النشر 2023
  مجال البحث الذكاء الاصناعي
والبحث باللغة العربية
 تمت اﻹضافة من قبل Shamra Editor




اسأل ChatGPT حول البحث

تعاني خدمة الطاقة الكهربائية في الجمهورية العربية السورية من العديد من الصعوبات الناتجة عن نقص الموارد (الفيول) بالإضافة إلى التخريب الذي تعرضت له العديد من مراكز التوليد من قبل المجموعات الإرهابية، ترافق ذلك مع حصار جائر تعرضت له بلدنا أدى إلى تخفيض كميات وقود التشغيل الذي تزود به محطات التوليد, وقد تسبب كل ماسبق إلى تطبيق برامج التقنين في المحافظات وفقاً لاستهلاك تلك المحافظات ومراكز الإنتاج الموجودة فيها (مصانع، مراكز ضخ، مستشفيات وعدد السكان). كما يتطلب التنبؤ باستهلاك الطاقة الكهربائية معرفة كميات الاستهلاك اليومية وأوقات الاستهلاك وغيرها من العوامل المؤثرة والتي تشكل كميات كبيرة من البيانات [1]. ولا يزال التنبؤ الدقيق بالحمل الكهربائي يمثل مهمة صعبة بسبب العديد من المشاكل مثل الطابع غير الخطي للسلسلة الزمنية أو الأنماط الموسمية التي يعرضها، والتي تستغرق وقتاً كبيراً كما تؤثر على دقة الأداء في التنبؤ. يمكن تحسين العملية باستخدام شبكاتRNN . [2] بدايةً، تم تحديد الاستهلاك المثالي والمناسب للمنطقة ومقارنته مع الانتاج وإمكانية تمرير الفائض لعمليات احتياطية أخرى أو تزويد مراكز الانتاج بالفائض الذي يمكن الحصول عليه من خلال عملية التنبؤ السابقة. كما تم استخدام الشبكات العصبية التكرارية RNN (Recurrent Neural Network) وهي عبارة عن سلاسل زمنية تعتمد على تسلسل البيانات وفقاً لدلائل زمنية وقدرتها على التنبؤ بالقيم المستقبلية اعتماداً على البيانات السابقة. ثم تم مقارنة أداء تلك الشبكات مع شبكات DNN (Dense Neural Network) للحصول على تنبؤ مستقبلي أمثل قابل لخدمة وزارة الكهرباء في الجمهورية العربية السورية وحل مشكلة التنبؤ بالحمل الكهربائي بالمقارنة مع الدراسات السابقة. تم أيضاً اعتماد طريقة التقسيم المتتالي القائم على الوقت، والتي لها القدرة على العمل بصورة أعلى دقة بالنسبة للبيانات ذات العينات العشوائية. وبالنسبة لحالات انخفاض تنظيم البيانات الساعية لاستهلاك القدرة الكهربائية، يمكن لنا أخذ عينات لمجموعة من البيانات بالنسبة للزمن وأخذ 20 بالمئة من البيانات على سبيل المثال كعينات تدريب واختبار. بناءً على قيم التنبؤ الناتجة عن هذه الدراسة يتم العمل على توزيع الطاقة الكهربائية بالشكل الأنسب وبما يتوافق مع أهمية الاستخدام الأعلى.

المراجع المستخدمة
S.Canada, “Households and the environment survey: Energy use, 2013,” http://www.statcan.gc.ca/dailyquotidien/160318/dq160318d-eng.htm, Mar 2016.
U. D. of Energy, “Green button,” https://energy.gov/data/green-button.
R. K. Jain, K. M. Smith, P. J. Culligan, and J. E. Taylor, “Forecasting energy consumption of multi-family residential buildings using support vector regression: Investigating the impact of temporal and spatial monitoring granularity on performance accuracy,” Applied Energy, vol. 123, pp. 168–178, 2014.
Y. Liu, W. Wang, and N. Ghadimi, “Electricity load forecasting by an improved forecast engine for building level consumers,” Energy, vol. 139, pp. 18–30, 2017
.R. E. Edwards, J. New, and L. E. Parker, “Predicting future hourly residential electrical consumption: A machine learning case study,” Energy and Buildings, vol. 49, pp. 591–603, 2012.
قيم البحث

اقرأ أيضاً

يظهر هذا البحث تصميم متحكم عائم للتحكم بزاوية انحراف شفرات العنفة الريحية بهدف تحسين أداء العنفة الريحية و الحصول على أعظم استطاعة ممكنة و تقليل الضياعات الناتجة عن التسارع و التباطؤ في دوران العنفة الريحية و من ثم تحسين معامل كفاءة أداء العنفة الريح ية؛ و ذلك من خلال الإفادة من تقنيات الذكاء الاصطناعي و بصورة خاصة المنطق العائم، إذ إن المتحكم العائم يساعدنا على تجاوز نقاط الضعف في المتحكمات التقليدية التي تحتاج إلى نموذج رياضي معقد للمنظومة المتحكم بها. صمم متحكم عائم تناسبي تكاملي و قورِن بمحتكمٍ تقليدي تناسبي تكاملي لنظام عنفة ريحية ممثلة بتابع التحويل الواصف لهذه العنفة، ووضعت القواعد اللغوية للمتحكم و توابع الانتماء لإشارتي الخطأ و تراكم الخطأ باستخدام بيئة ماتلاب، و قورنت النتائج التي أظهرت استجابة فضلى عند استخدام المتحكم العائم.
جزء من بحث مقدم لنيل درجة الماجستير في علوم الويب لعام 2017 ، يتضمن التعريف بالذكاء التسويقي في دراسة نظرية موسعة ، وطريقة بناء نظام معتمد على الانترنت كمصدر للبيانات و منهجية المعالجة ونتائج تطبيقية .
تقرير صادر عن اليونسكو عن دور الذكاء الاصطناعي في الادماج والتعليم يناقش الحاجة إلى مسارات تحويلية لتذليل العقبات المتعددة لاستثمار الذكاء الاصطناعي في قطاع التعليم
المسؤولية الجنائية للذكاء الاصطناعي تتمثل أهمية هذه الدراسة في أهمية موضوعها الجديد والحيوي، وهو المسؤولية الجنائية الناتجة عن أخطاء الذكاء الاصطناعي في التشريع الإماراتي "دراسة مقارنة"، فعلى امتداد الخمسين سنة الماضية تضافرت الجهود العالمية في عدد من الميادين، كالفلسفة والقانون وعلم النفس وعلم المنطق والرياضيات، وعلم الأحياء وغيرها من العلوم، ومنذ سنوات بدأت هذه الجهود تحصد من ثمارها وظهرت إلى الوجود تطبيقات مذهلة للذكاء الاصطناعي، وهذا ما دفع دولة الإمارات العربية المتحدة لاستحداث وزارة للذكاء الاصطناعي وعلوم المستقبل، فهذه الخطوة تُضاف إلى سجل الإمارات الحافل بكل ما هو جديد في الثقافة والعلوم وغيرها من المجالات، فالإمارات سبّاقة في البحث وجلب أي أفكار جديدة أو عالمية وتطبيقها، والهدف من ذلك هو الارتقاء بالعمل الإداري. لأن اعتماد الإدارة على الذكاء الاصطناعي يساعدها على التكيف مع التغيرات المتلاحقة، ويساعدها أيضاً على مواجهة التحديات المتعددة والمختلفة، وبالتالي تحقيق الميزة التنافسية التي تسعى الإدارة إلى تحقيقها.
في السنوات الأخيرة نمت مشكلة تصنيف الكائنات في الصّور نتيجة لمتطلبات القطاع الصناعي.على الرّغم من تعدد التقنيات المستخدمة للمساعدة في عملية التصنيف SIFT Scale Invariant Feature Transforms، ORB Oriented Fast And Rotated Brief , SURF Speed Up Robust Features، إضافة لشبكات التعلم العميق Deep Learning Neural Network DNN والشبكات العصبونية الالتفافية Convolutional Neural Network CNN، فإن الأنظمة المقترحة لمعالجة هذه المشكلة تفتقر للحل الشّامل للصعوبات المتمثلة بوقت التّدريب الطّويل والذاكرة العائمة أثناء عملية التدريب، وانخفاض معدّل التصنيف. تعتبر الشبكات العصبونية الالتفافيةConvolutional Neural Networks (CNNs) من أكثر الخوارزميات استخداما لهذه المهمة، فقد كانت نموذجا حسابيا لتحليل البيانات الموجودة في الصور. تم اقتراح نموذج شبكة التفافية عميقة جديد لحل المشاكل المذكورة أعلاه. يهدف البحث إلى إظهار أداء نظام التّعرف باستخدام شبكاتCNNs على الذّاكرة المتاحة وزمن التدريب وذلك من خلال منهجة متغيرات مناسبة للشبكة العصبونية الالتفافية. قاعدة البيانات المستخدمة في هذا البحث هي CIFAR10 المكونة من60000 صورة ملونة تنتسب لعشرة أصناف، حيث أن كل 6000 صورة تكون لصنف من هذه الأصناف. يوجد 50000 صورة للتدريب و 10000 صورة للاختبار. حقق النموذج لدى اختباره على عينة من الصور المنتقاة من قاعدة البيانات CIFAR10 معدل تصنيف 98.87%.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا