تحلیل قابلیت اطمینان هاب های انرژی با استفاده از شبکه های عصبی عمیق

چکیده مقاله

در این مقاله، تحلیل قابلیت اطمینان هابهای انرژی با استفاده از شبکه های عصبی عمیق DNN مورد بررسی قرار گرفته است با توجه به پیچیدگی و عدم قطعیتهای موجود در شبکه های انرژی، تحلیل قابلیت اطمینان آنها به یک چالش بزرگ تبدیل شده است روشهای سنتی، که معموال مبتنی بر مدل های احتماالتی و شبیه سازیهای مونت کارلو هستند، زمانبر و پرهزینه می باشند بنابراین، استفاده از شبکه های عصبی عمیق به عنوان یک ابزار پیشرفته برای تحلیل و پیشبینی قابلیت اطمینان این هاب ها پیشنهاد شده است در این تحقیق، دادههای تاریخی عملکرد هاب ها بهعنوان ورودی به شبکه های عصبی عمیق داده شده و مدلهای مختلف ارزیابی شده اند نتایج نشان می دهند که DNN ها قادر به پیشبینی دقیق تر و سریعتر از روش های سنتی هستند همچنین، دقت مدل با استفاده از معیارهایی چون دقت، صحت، و زمان محاسباتی ارزیابی شده است تحلیل نتایج عددی حاکی از آن است که مدل DNN با دقت ۵۹% در پیشبینی قابلیت اطمینان هابهای انرژی عمل کرده است، در حالی که مدل های سنتی تنها قادر به رسیدن به دقت حدود ۵۹% هستند

کلیدواژه‌ها

نویسندگان

سعید رادمان

�ادمان، سعید،1404،تحلیل قابلیت اطمینان هاب های انرژی با استفاده از شبکه های عصبی عمیق،ششمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق ، کامپیوتر ، مکانیک و مخابرات،مشهد

ارائه‌شده در

مجموعه مقالات ششمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق ، کامپیوتر ، مکانیک و مخابرات20 اردیبهشت 1404 · مشهد