Smart Grid Optimization by Implementing the Algorithm of Artificial Neural Network

2021 ◽  
Author(s):  
Zia Hameed ◽  
Naqash Raza ◽  
Muhammad Rafay Khan Sial ◽  
Zubair Ghafoor ◽  
Faiza Ahmad
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Smart Grid ◽  
Grid Optimization ◽  
Artificial Neural

scholarly journals Optimization of Load Forecasting in Smartgrid using Artificial Neural Network based NFTOOL and NNTOOL

2022 ◽  
Vol 2161 (1) ◽  
pp. 012068
Author(s):  
Sthitprajna Mishra ◽  
Bibhu Prasad Ganthia ◽  
Abel Sridharan ◽  
P Rajakumar ◽  
D. Padmapriya ◽  
...  
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Smart Grid ◽  
User Interfaces ◽  
Load Forecasting ◽  
Back Propagation ◽  
Back Propagation Algorithm ◽  
Load Prediction ◽  
Artificial Neural ◽  
Optimal Reserve

Abstract The motivation behind the research is the requirement of error-free load prediction for the power industries in India to assist the planners for making important decisions on unit commitments, energy trading, system security & reliability and optimal reserve capacity. The objective is to produce a desktop version of personal computer based complete expert system which can be used to forecast the future load of a smart grid. Using MATLAB, we can provide adequate user interfaces in graphical user interfaces. This paper devotes study of load forecasting in smart grid, detailed study of architecture and configuration of Artificial Neural Network(ANN), Mathematical modeling and implementation of ANN using MATLAB and Detailed study of load forecasting using back propagation algorithm.

scholarly journals A Modified Feature Selection and Artificial Neural Network-Based Day-Ahead Load Forecasting Model for a Smart Grid

2015 ◽  
Vol 5 (4) ◽  
pp. 1756-1772 ◽  
Author(s):  
Ashfaq Ahmad ◽  
Nadeem Javaid ◽  
Nabil Alrajeh ◽  
Zahoor Khan ◽  
Umar Qasim ◽  
...  
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Feature Selection ◽  
Smart Grid ◽  
Load Forecasting ◽  
Forecasting Model ◽  
Artificial Neural

scholarly journals An aggregator‐based resource allocation in the smart grid using an artificial neural network and sliding time window optimization

2021 ◽  
Author(s):  
Yingying Zheng ◽  
Berk Celik ◽  
Siddharth Suryanarayanan ◽  
Anthony A. Maciejewski ◽  
Howard Jay Siegel ◽  
...  
Keyword(s):  
Neural Network ◽  
Resource Allocation ◽  
Artificial Neural Network ◽  
Smart Grid ◽  
Time Window ◽  
Artificial Neural

scholarly journals Desain Sistem Informasi Cerdas pada Smart Grid Berbasis Internet of Things dan Artificial Neural Network

2021 ◽  
Vol 4 (1) ◽  
pp. 11-19
Author(s):  
Muhammad Ridwan Arif Cahyono ◽  
Surya Wirawan
Keyword(s):  
Neural Network ◽  
Artificial Neural Network ◽  
Internet Of Things ◽  
Smart Grid ◽  
Black Box ◽  
Raspberry Pi ◽  
Mean Square ◽  
Layer Neuron ◽  
Artificial Neural ◽  
Artificial Neural Network Ann

Smart grid merupakan sistem kelistrikan yang memungkinkan pengguna untuk melakukan proses menjual dan membeli daya listrik. Pada penelitian ini dirancang model smart grid dengan sumber daya dari listrik PLN dan panel surya yang terhubung dengan beban. Beban yang digunakan memiliki daya maksimal 40 W dan panel surya yang digunakan memiliki kapasitas 100 Wp. ESP32 digunakan sebagai perangkat Internet of Things, yang digunakan sebagai pengukur dan pengontrol daya listrik yang akan dijual atau dibeli. Raspberry Pi digunakan sebagai web server pengolah data dari smart grid. Aplikasi “Smart Grid Dikti” merupakan aplikasi berbasis android yang dapat digunakan untuk melakukan pemantauan serta pengaturan dalam sistem smart grid tersebut. Aplikasi android tersebut telah diuji coba dengan metode Black Box, dengan hasil pengujian 100% berhasil. Kecerdasan buatan berbasis Artificial Neural Network (ANN) dengan metode backpropagation diimplementasikan dalam sistem smart grid yang berfungsi sebagai pengaturan otomatis dalam proses jual dan beli daya listrik. ANN yang digunakan memiliki 3 input, 2 layer neuron, 3 output, dan masing-masing layer memiliki 4 neuron yang diimplementasikan ke dalam bahasa Python. Setelah pelatihan sebanyak 11.000 kali, didapatkan Root Mean Square  Error (RMSE) sebesar 0,12151 dan pada saat uji coba didapatkan RMSE sebesar 0,10500 dengan akurasi rata-rata sebesar 89,50%.

Sign in / Sign up

Export Citation Format

Share Document