(6)
که و به ترتیب مقادیر واقعی و پیش ­بینی شده از میانگین بار مصرفی مشترک iام بوده و N برابر با تعداد مشترکین می­باشد ]41[.
با توجه به اینکه معیار “میانگین درصد قدرمطلق خطا” برخلاف سایر معیارها، مستقل از مقیاس داده ­ها می­باشد، بنابراین یک معیار مناسب برای ارزیابی خطای نسبی در مسایل گوناگون می­باشد.
4-3-6- بکارگیری[100] مدل
ایجاد مدل، عموما پایان پروژه نیست. حتی اگر هدف مدل، ارتقا دانش از داده ­ها باشد؛ آنگاه دانش حاصل شده نیازمند اینست که سازماندهی شود و به شکلی ارائه گردد که بهره­وران بتوانند از آن استفاده نمایند. بسته به ملزومات کار، فاز بکارگیری می ­تواند به سادگی ایجاد یک گزارش باشد یا به پیچیدگی اجرای یک فرایند قابل تکرار داده ­کاوی باشد. در بسیاری از موارد، این بهره­وران هستند که گام های بکارگیری را انجام می­ دهند نه تحلیل­گران داده. به هر حال حتی اگر تحلیل­گر، تلاشی برای انجام گام­های فاز بکارگیری نکند ولی برای بهره­وران بسیار مهم است که عملیات لازم جهت اجرایی نمودن مدل ایجاد شده را درک نمایند. متاسفانه در پژوهش حاضر، بخش تجاری از بکارگیری مدل اجتناب می­نماید و در عمل بخش بکارگیری مدل بسیار کمرنگ می­باشد.
4-4- چکیده فصل
در این فصل روش تحقیق تشریح گردید. بعد از درک مسئله، به جمع­آوری و شناخت داده ­های تحقیق بر اساس پایگاه داده ­های شرکت توزیع نیروی برق آذربایجان غربی و اطلاعات هواشناسی, پرداخته شد. در مرحله بعد یکپارچه­سازی و آماده­سازی داده ­ها که به پیش­پردازش معروف است، انجام و در نتیجه پایگاه داده اصلی برای اعمال الگوریتم­های داده ­کاوی تعیین شد. و بعد از شناخت الگوریتم­های پیش ­بینی کننده داده ­کاوی، معیارهای ارزیابی مناسب برای مدل­های ایجاد شده جهت اعتبارسنجی و در نهایت انتخاب مدل با کمترین خطا و بالاترین دقت بیان گردید.

 

فصل پنجم: نتایج و ارزیابی
5-1- مقدمه
همان­طور که در فصول قبلی مطرح گردید، ویژگی­های منحصربفرد انرژی برق در مقایسه با سایر انواع انرژی، موجب جایگاه استراتژیک و پراهمیت آن در دنیای امروزی گردیده است. از سوی دیگر با توجه به نقش قابل ­توجه این انرژی در تمام سطوح زندگی، عدم عرضه­ی مداوم برق (قطعی) می ­تواند مشکلات عدیده­ای را در جامعه ایجاد نماید. بنابراین پیش ­بینی میزان بار مورد نیاز مشترکین در طی دوره­ های آتی و تجزیه و تحلیل الگوی رفتار مصرفی آن­ها در صنعت برق بسیار مهم و ضروری می­باشد.
در این تحقیق ما بر آن بودیم که با در نظر گرفتن دو عامل تاثیرگذار شرایط آب­وهوایی و شرایط زمانی به پیش ­بینی بار و تجزیه و تحلیل رفتار مصرفی مشترکین بپردازیم. بدین منظور داده ­های مصرفی 5595 مشترک شهرستان ارومیه طی 12 دوره­ اخیر مورد استفاده قرار گرفت. طبق روش تحقیق مطرح شده، در محیط نرم­افزار کلمنتاین و با در نظر گرفتن جایگشت­های مختلف عوامل تاثیرگذار بر مصرف انرژی، الگوریتم­های پیش ­بینی کننده و خوشه­بندی را بر روی پایگاه داده مذکور اجرا نمودیم. با اجرای چندین باره­ی طی استاندارد CRISP، عوامل موثر بر روی میزان بار مصرفی مشترکین استان آذربایجان­غربی شناسایی شدند.
همچنین برای دستیابی به نتایج مطلوب­تر، چندین مرتبه با تنظیم پارامترها، مدل­ها­­ی مربوطه ایجاد و ارزیابی گردید. در ادامه نتایج حاصل از این تحقیق در قالب جداول و نمودارها ارائه می­گردد.
5-2- نتایج
برای ایجاد مدل­های پیش ­بینی مصرف بار مشترکین، از دو مجموعه­ی آموزشی و تست استفاده گردیده که مجموعه تست شامل 20% از کل پایگاه داده و به صورت تصادفی می­باشد.
با توجه به اینکه استفاده از تکنیک خوشه­بندی در بسیاری از مسائل پیش ­بینی منجر به بهبود پیش ­بینی می­گردد، در این پژوهش نیز پیش ­بینی مصرف بار مشترکین در دو بخش مورد بررسی قرار گرفته است. در بخش اول پیش ­بینی بر اساس داده ­های اصلی صورت می­گیرد، در صورتیکه در بخش دوم ابتدا داده ­های اصلی با بهره گرفتن از تکنیک خوشه­بندی، در خوشه ­های مناسب قرار گرفته و سپس مدل­های پیش ­بینی کننده بر اساس پایگاه داده­ی جدید ایجاد می­گردد. نکته­ی قابل توجه این است که در بخش دوم، شبکه­ کوهونن در مقایسه با سایر تکنیک­های خوشه­بندی منجر به نتایج مطلوب­تر در مدل­های پیش ­بینی گردید، بنابراین برای خوشه­بندی قبل از پیش­بینی، الگوریتم کوهونن در نظر گرفته شد.
5-2-1- نتایج حاصل از پیش ­بینی مصرف برق مشترکین با در نظر گرفتن “تعطیلات” به عنوان عامل موثر
در این حالت، مدل­های مصرف بار مشترکین تحت تاثیر عامل تعطیلات بر اساس مجموعه آموزشی ایجاد گردیده، سپس با بهره گرفتن از مدل­های موجود به پیش ­بینی میانگین بار مصرفی روزانه­ی مشترکین مجموعه تست پرداخته شد و نتایج ارزیابی بصورت زیر حاصل شد.
جدول 5-1: پیش ­بینی مصرف برق مشترکین با عامل ” تعطیلات”

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 
 

 

 

 
 

 
 

 

 

 

 

 
 

 

 

 
 

 

 
 

 

 
 

 

 

 
 

 

 
 

 
 

 

 
 
 

 

 

 

 

 
 

 

 

 
 

 

 
 

 
 
 

 
 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

بعد از خوشه­بندی
قبل از خوشه­بندی
Neural Network
Regression
C&R
CHAID
Neural Network
Regression
C&R
CHAID
5.333
6.344
5.667
3.014
6.174
6.219 

 

 

 

 

 

برای دانلود متن کامل پایان نامه به سایت tinoz.ir مراجعه کنید.
 

>