Skip to main content
SUPERVISOR
مهران صفایانی (استاد راهنما) مجید نبی (استاد راهنما)
 
STUDENT
Yazdan Ghaderi sanjabi
یزدان قادری سنجابی

FACULTY - DEPARTMENT

دانشکده مهندسی برق و کامپیوتر
DEGREE
Master of Science (MSc)
YEAR
1395

TITLE

Energy consumption prediction in presence of missed sensor data
Today, electrical energy has become one of the basic human needs. For everyday use, such as the use of home-grown equipment, industrial equipment, lighting, heating and ventilation, and much more, electrical energy is needed. Forecasting Electricity Consumption is important because of that energy supplier and energy consumer systems should be managed in efficient way. Electricity supply companies need short-term electricity consumption to carry out daily operations, fulfillment of commitments and planning of the transfer of electricity from a power company to commercial, office and residential units. Therefore, a precise prediction of short-term forecast electricity consumption is vital for an electricity supply company. By expanding the machine learning algorithms and proving their effectiveness, the tendency to use these algorithms in different domains. In the short-term prediction of electrical energy consumption, the inputs are the amount of sensors recorded at different places in a home. Therefore, any sensor may be interrupted and This interrupt will cause no amount to be recorded at that moment. This creates an incomplete set of data. In most of the works on short-term energy consumption prediction, the use of an incomplete data set for energy prediction has not been raised. In this dissertation, we provide several models that can predict the amount of energy consumed in the next 10 minutes, even if there are a set of data that does not contain a number of data. these models are, in fact, a hybrid model based on multi-task Gaussian processes and various predictors such as multi-layer perceptron networks, recurrent neural networks and convolutional neural networks with the aim of short-term prediction of electric energy consumption. The approach is, in fact, a supervised approach, and its learning is done using the labeled data for a residential home. Finally, MGP-lstm model, which is one of the three proposed models, shows better results than other models. For example, by assuming %50 missed data, MGP-lstm model could improve the accuracy of the results compared to the lstm model in the RMSE and MAE criteria, by %14.3 and %27.5, respectively
امروزه انرژی الکتریکی به یکی از نیازهای اساسی انسان تبدیل شده است. برای انجام یک کار روزمره مانند استفاده از تجهیزات رفاهی داخل خانه، تجهیزات صنعتی، روشنایی، وسایل گرمایشی و تهویه و بسیاری از کارهای دیگر به انرژی الکتریکی نیاز است. پیش‌بینی مصرف الکتریکی از این بابت حائز اهمیت است که سیستم‌های تولید کننده و مصرف کننده‌ی انرژی به طور موثر مدیریت گردد و در نتیجه تقاضای روزافزون این نیاز برآورده شود. شرکت‌های تأمین برق برای انجام عملیات روزانه، اجرای تعهد و برنامه‌ریزی انتقال بار پیش‌بینی کوتاه‌مدت مصرف انرژی الکتریکی نیاز دارند. بنابراین پیش‌بینی دقیق مصرف برق پیش‌بینی در کوتاه مدت برای یک شرکت تامین کننده‌ی برق، امری حیاتی است. با گسترش الگوریتم‌های یادگیری ماشین و اثبات کارامدی آن‌ها، گرایش به استفاده از این الگوریتم‌ها برای پیش‌بینی در حوزه‌های مختلف نیز افزایش یافته است. در پیش‌بینی کوتاه‌مدت مصرف انرژی الکتریکی، ورودی، مقادیری هستند که حسگرها در مکان‌های مختلف یک خانه ثبت کرده‌اند. از این رو ممکن است در کار هر یک از این حسگرها اختلال ایجاد شود و این اختلال موجب شود که هیچ مقداری در آن لحظه ثبت نگردد. به این ترتیب یک مجموعه‌داده‌ی ناکامل به وجود می‌آید. در اکثر کارهایی که در زمینه‌ی پیش‌بینی انرژی مصرفی در کوتاه‌مدت انجام شده، فرض وجود یک مجموعه‌داده‌ی ناکامل برای پیش‌بینی مصرف انرژی مطرح نشده است. در این پایان‌نامه ما مدل‌هایی ارائه می‌دهیم که می‌توانند مقدار انرژی مصرفی در ?? دقیقه آینده را حتی با وجود مجموعه‌داده‌ای که تعدادی از داده‌های‌ آن وجود ندارند، پیش‌بینی کنند. این مدل‌ها در واقع تلفیقی از فرایندهای گوسی چندکاره و پیش‌بینی کننده‌های مختلف اعم از شبکه‌ی پرسپترون چندلایه، شبکه‌ی عصبی بازگشتی و شبکه‌ی کانولوشنی هستند. رویکرد یاد شده در واقع یک روش باسرپرست است و یادگیری آن با استفاده از داده‌های برچسب‌دار مربوط به یک خانه مسکونی انجام می‌شود. در نهایت، مدل MGP-lstm که یکی از سه مدل پیشنهادی است، از سایر مدل‌ها نتایج بهتری را نشان می‌دهد. به عنوان مثال، با فرض 50? داده‌ی از دست رفته، مدل MGP-lstm توانسته دقت نتایج را نسبت به مدل lstm در معیارهای RMSE و MAE به ترتیب به میزان 14/3? و 27/5? بهبود دهد.

ارتقاء امنیت وب با وف بومی