دکتر محمد دوستی زاده نشریه علمی-تخصصی دستاوردهای نوین در برق،کامپیوتر و فناوری 3 ۸ 2023 12 17 Load forecasting and price forecasting using Teaching Learning based Optimization and learning and adaptive fuzzy neural network پیش‌بینی بار و پیش‌بینی قیمت با استفاده از الگوریتم بهینه‌سازی مبتنی بر آموزش و یادگیری و شبکه عصبی فازی تطبیقی 56 81 10.22051/jera.2021.31891.2698 FA فاطمه گروه برق ، دانشکده فنی و مهندسی، واحد ساری، دانشگاه آزاد اسلامی ، ساری ، ایران سید گروه برق ، دانشکده فنی و مهندسی، واحد نکا، دانشگاه آزاد اسلامی ، نکا ، ایران 2023 11 22 Today, the electricity market in the world is known scientifically that the competition in it is more every day than the previous day. Since the ability to store electrical energy is very small, therefore, forecasting the consumption load and the price of electricity helps the market participants to get more profit. The impact of the load pattern on various factors and the non-linearity of the electricity price signal make it difficult to accurately forecast the load and price; Therefore, the use of intelligent algorithms has found more use in forecasting problems compared to numerical and statistical methods. Therefore, in this thesis, the issues related to forecasting the load and electricity price are stated. Also, the electric load and electricity price have been predicted using the Adaptive neuro fuzzy inference system (ANFIS) combined with the Teaching Learning based Optimization (TLBO) and the effect of various factors on it has been investigated and simulated. In fact, by combining the evolutionary algorithms with the fuzzy neural system, the adjustment of the optimal values of the parameters of the adaptive fuzzy neural network should be assigned to the intelligent optimization algorithm of teaching and learning. The purpose of using this approach is to improve network performance and reduce computational complexity compared to gradient descent and least squares methods. The results of the implementation of the proposed algorithm show the better efficiency of this algorithm compared to previous algorithms for predicting load and electricity price. امروزه بازار برق در جهان به صورت علمی شناخته شده می‌باشد که رقابت در آن هر روز بیشتر از روز قبل است. از آنجا که قابلیت ذخیره‌سازی انرژی الکتریکی بسیار ناچیز می‌باشد، بنابراین پیش‌بینی بار مصرفی و قیمت برق به شرکت کنندگان بازار در بدست آوردن سود هرچه بیشتر کمک شایانی می‌کند. تأثیرپذیری الگوی بار از عوامل مختلف و غیرخطی بودن سیگنال قیمت برق، انجام پیش‌بینی دقیق بار و قیمت را دچار مشکل می‌کند؛ بنابراین استفاده از الگوریتم‌های هوشمند در مقایسه با روش‌های عددی و آماری کاربرد بیشتری در مسائل پیش‌بینی پیدا کرده است. از اینرو در این پایان‌نامه مسائل مربوط به پیش‌بینی بار و قیمت برق بیان‌شده است. همچنین پیش‌بینی بار الکتریکی و قیمت برق با استفاده از شبکه عصبی فازی تطبیقی (ANFIS) ترکیبی با الگوریتم آموزش و یادگیری (TLBO) صورت گرفته است و تأثیر عوامل مختلف بر روی آن بررسی و شبیه¬سازی ‌شده است. در واقع با ترکیب الگوریتمهای تکاملی با سیستم‌ عصبی فازی، تنظیم مقادیر بهینه پارامترهای شبکه عصبی فازی تطبیقی به الگوریتم بهینه‌سازی هوشمند آموزش و یادگیری محول گردد. هدف از بکارگیری این رویکرد بهبود عملکرد شبکه و کاهش پیچیدگی‌های محاسباتی در مقایسه با روش‌های گرادیان نزولی و حداقل مربعات می‌باشد. نتایج پیاده‌سازی الگوریتم پیشنهادی نشان‌دهنده کارایی بهتر این الگوریتم در مقایسه با الگوریتم‌های پیشین پیش‌بین بار و قیمت برق است. /downloadfilepdf/1287558