fa پیش بینی میان مدت و کوتاه مدت بار با بکارگیری شبکه های عصبی راف و الگوریتم بهینه سازی جهش ملخ مهندسی برق Electrical Engineering پژوهشي Research با افزایش جمعیت و رشد جوامع صنعتی تغییرات بار مصرفی در شبکه های قدرت غیر قابل اجتناب بوده و لازم است میزان بار مورد نیاز شبکه، پیش بینی شود. پیش بینی بار ساعتی به صورت میان مدت می تواند معیار مناسبی برای برآورد بار و انرژی باشد. همچنین این پیش‌‌بینی الگوی خوبی برای پیش بینی کوتاه مدت بار خواهد بود. در این مقاله روش جدیدی برای پیش بینی ساعتی بار به صورت میان مدت و کوتاه مدت با استفاده از شبکه های عصبی راف و الگوریتم جهش ملخ ارائه می گردد. در این مقاله یک شبکه عصبی راف بهبود یافته ارائه شده است. شبکه های عصبی راف نوعی از ساختارهای عصبی هستند که براساس نرون های راف طراحی می شوند. یک نرون راف را می توان به صورت زوجی از نرون ها در نظر گرفت که به نرون های کران بالا و کران پایین مرسوم هستند. همانند شبکه های پرسپترون چند لایه شبکه عصبی راف نیز می تواند با استفاده از الگوریتم پس انتشار خطا مبتنی بر گرادیان نزولی آموزش داده شود. با این حال این الگوریتم دارای مشکلاتی مانند در دام افتادن در کمینه های محلی است که در این مقاله به کمک الگوریتم جهش ملخ، بر این کاستی غلبه می شود. برای شبیه سازی روش پیشنهادی در پیش بینی بار روزانه، شبکه سراسری برق دبی به منظور اعمال شبکه های عصبی راف و ترکیب آن با الگوریتم جهش ملخ ارائه می گردد که نتایج نشانگر موفقیت آمیز بودن روش های پیشنهادی می باشد.<br> &nbsp; <em>Abstract</em>&mdash; Changes in consumption load in power networks are inevitable with the increasing population and the growth of industrial societies, and it is necessary to forecast the required load of networks. The forecasting of the hourly load in the medium term can be a good measure for evaluating load and energy. This process will also be a good example for short-term forecasting. In this paper, a new method is presented for hourly load forecasting in the short and medium-term load using rough neural networks and the grasshopper mutation algorithm. An improved rough neural network is also presented. Rough neural networks are a type of neural structures designed based on rough neurons. A rough neuron is a pair of neurons that are conventional to upper and lower boundary neurons, similar to multilayer neural perceptron networks. The rough neural network can be trained using a descending-based gradient error post-propagation algorithm. However, this algorithm has certain problems such as being trapped in local minima, a shortcoming which has been overcome in this paper with the help of the grasshopper jump algorithm. The Dobie power global network is proposed to apply the rough neural network and its combination with the grasshopper mutation algorithm to simulate the proposed method in daily load forecasting, and the results indicate the success of the proposed methods<span dir="RTL">.</span><br> &nbsp; پیش بینی بار, شبکه های عصبی راف, الگوریتم جهش ملخ, الگوریتم ژنتیک Grasshopper, Load forecasting, Rough neural network 63 83 http://ic4i-journal.ir/browse.php?a_code=A-10-289-2&slc_lang=fa&sid=1 mohammad ferdosian محمد فردوسیان 10031947532846002270 10031947532846002270 No hamdi abdi حمدی عبدی 10031947532846002271 10031947532846002271 Yes shahram karimi شهرام کریمی 10031947532846002272 10031947532846002272 No saeed kharraty سعید خراطی 10031947532846002273 10031947532846002273 No