پيش بيني سري هاي زماني با بهره گيري از فيلتر دو مرحله اي: مطالعه موردي درپيش بيني سرعت باد، توان باد و قيمت نفت خام

اصفهان : دانشگاه صنعتي اصفهان

مهندسي صنايع

دكتري

پيش بيني سري هاي زماني مانند توان و سرعت باد و قيمت نفت خام، به دليل غيرايستايي، نويز و جهش هاي ناگهاني، با دشواري جدي همراه است. بسياري از مدل هاي تكي و حتي روشهاي تركيبي موجود، به علت پالايش ناكافي داده، در دوره هاي پرتلاطم دچار افزايش خطا و كاهش تعميم پذيري ميشوند. بر اين اساس، هدف اين پايان نامه توسعه يك چارچوب تركيبي مقاوم و تطبيقي است كه هم پالايش چندمرحله اي انجام دهد و هم ادغام خروجي ها را متناسب با وضعيت زماني تنظيم كند. در اين پايان نامه، يك مدل تركيبي بر پايه فيلتر كالمن چندمرحله اي–پرسپترون چندلايه–شبكه حافظه بلندمدت–كوتاه مدت ارائه شده است. در گام نخست، سري زماني طي دو مرحله فيلتر كالمن پالايش و به مؤلفه روند و مؤلفه نوساني تفكيك ميشود. سپس مؤلفه روند با پرسپترون چندلايه و نوسانات با شبكه حافظه بلندمدت– كوتاهمدت مدل سازي شده و در نهايت ادغام پويا براي تركيب خروجي ها به كار ميرود. ارزيابي بر روي مجموعه داده هاي باد و نفت خام نشان ميدهد مدل پيشنهادي در همه سناريوها خطا را به صورت پايدار كاهش ميدهد. به عنوان مثال در داده نفت خام برنت، جذر ميانگين مربعات خطا در مرحله آموزش از 1/387به 0/714و در مرحله آزمون از 2/150به 1/101كاهش يافته است. همچنين ميانگين مطلق خطا در آموزش از 0/878به 0/438و در آزمون از 1/648به 0/864رسيده است. در نفت خام تگزاس نيز ميانگين مطلق خطا در آموزش از 0/957به 0/400و در آزمون از 2/116به 0/924كاهش يافته و جذر ميانگين مربعات خطا از 1/527به ( 0/634آموزش) و از 2/801به ( 1/203آزمون) رسيده است. كاهش همزمان ميانگين مطلق درصدي خطا در آموزش و آزمون نيز نشان مي دهد بهبود مدل محدود به مقياس مطلق نيست و از نظر خطاي نسبي نيز پايدارتر عمل ميكند. در مجموع، نتايج تأييد ميكند كه پالايش چندمرحلهاي و تركيب پوياي خروجي مدل ها باعث كاهش وكنترل خطا و همچنين افزايش تعميم پذيري مدل در داده هاي واقعي باد و نفت خام ميشود.

237291

بهينه سازي سيستم ها

مهندسي صنايع و سيستم ها

دانشگاه صنعتي اصفهان