الفهرس 
Chapter 1 IntroductionOnly 14 pages are availabe for public view
 |  | from | 136 |  |  |
| | | from | 136 | | |
Abstract
أصبحت الشبكات الكهربائية الذكية ، التي تتضمن تطبيق تقنيات المعلومات والاتصالات الذكية ، العنصر الأساسي في التحديث المستمر للبنية التحتية لتوصيل الكهرباء. إنها تتيح المراقبة في الوقت الفعلي وتوجيه مكونات الشبكة ، مما أدى إلى ظهور وظائف ومسؤوليات جديدة بما في ذلك التنبؤ الذكي بالحمل. نظرًا لأن التنبؤ الدقيق بالكهرباء أصبح ممكنًا الآن بفضل التنقيب عن البيانات وأساليب الذكاء الاصطناعي والتعلم العميق ، فقد تم تقليل العديد من الصعوبات المالية والعملية. نظرًا لأنه يوفر معلومات إدارة الطاقة ، فإن التنبؤ بالحمل هو وظيفة حاسمة لتشغيل وتخطيط النظام الكهربائي. تم إجراء العديد من الأعمال والدراسات على مر السنين لتحسين الشبكات الذكية ، وتستهدف جميع هذه الأعمال تقريبًا البيانات التي تم جمعها في حوسبة الضباب للتعامل معها حيث يستمر جمع هذه البيانات بمرور الوقت ، ولدينا بيانات ضخمة. جزء هذه البيانات عبارة عن بيانات ضوضاء ، وبالتالي يجب التخلص منها ؛ ثم يتم إجراء الحد الأدنى من العمليات الحسابية والمعالجة في السحابة. تقترح هذه الرسالة طريقة جديدة للتنبؤ بالأحمال باستخدام المنطق الضبابي والتعلم العميق. بشكل عام ، اختيار الميزة هو استبعاد .)FSBR( يتكون النهج من طبقتين عامتين. تقترح الطبقة الأولى طريقة هجينة جديدة لاختيار الميزات تسمى الترتيب القائم على اختيار الميزة يمكن تحقيق ذلك باستخدام طرق الترشيح أو طرق التغليف أو الهجين. تتكون طريقتنا المقترحة من مرحلتين: .Fog الميزات الغير مؤثره بشكل كبير من البيانات المجمعة في مرحلتي التصفية والغلاف. في مرحلة التصفية ، تمر البيانات بأكملها بتقنيات تصنيف مختلفة )أي ترتيب الوزن النسبي ، ترتيب الفعالية ، ترتيب اكتساب المعلومات( يتم إرسال نتائج Naive هذه الرتب إلى محرك استدلال غامض لتوليد الرتب النهائية. في مرحلة الغلاف ، يتم تحديد البيانات بناءً على الرتب النهائية وتمريرها على ثلاثة مصنفات مختلفة )مثل لتحديد أفضل مجموعة من الميزات بناءً على أداء المصنفات. يمكن لهذه العملية تحسين الشبكة الذكية عن ) neural network و Support Vector Machine و Bayes )ULF( تمكن المستخدم من التنبؤ بأحمال المستخدم FSBR طريق تقليل كمية البيانات التي يتم إرسالها إلى السحابة وتقليل وقت الحساب وتقليل تعقيد البيانات. وبالتالي ، فإن منهجية لاتخاذ قرار سريع ، ورد الفعل السريع في التنبؤ بالحمل على المدى القصير ، وتوفير دقة تنبؤ عالية. يتم شرح النهج المقترح من خلال أمثلة عددية. تم استخدام مجموعتي بيانات في التجارب التطبيقية. ذكرت مجموعة البيانات الأولى أن الطريقة المقترحة تمت مقارنتها بست طرق أخرى ، وتمثل الطريقة المقترحة أفضل دقة بنسبة 91 ٪. أبلغت مجموعة البيانات الثانية ، مجموعة بيانات التعميم ، عن دقة 90 ٪ للطريقة المقترحة مقارنة بأربعة عشر طريقة مختلفة. الطبقة الثانية معنية بالتنبؤ بالحمل )أي التنبؤ( باستخدام التعلم العميق. يبدأ بتجميع ميزات المرحلة الأولى المختارة ، والمعالجة المسبقة لتلك الميزات ، وضبط النموذج ، وتقييم نموذج الأداء. بعد الخطوة الأخيرة ، يتم إعداد النموذج الذي تم ضبطه للاستخدام في بيئة التنبؤ. تم إثبات فعالية نهج اختيار الميزات الجديدة والتنبؤ بالحمل من خلال النتائج التجريبية. بالإضافة إلى ذلك ، تمت مقارنة أنظمة التنبؤ بالحمل الحديثة بالاستراتيجية المقترحة. تم إثبات أن تقنية التنبؤ بالحمل المقترحة ، والتي تقدم توقعات دقيقة للحمل ، لها تأثير إيجابي على زيادة موثوقية النظام ومرونته واستقراره.