Ann-Trained Using Bat Algorithm for Modeling University-Based Energy Consumption on Short Term Basis تم تدريبه باستخدام خوارزمية الخفافيش لنمذجة استهلاك الطاقة القائم على الجامعة على أساس قصير الأجل Formé à l'utilisation de l'algorithme MTD pour modéliser la consommation d'énergie à l'université sur une base à court terme Ann-Trained Usando el algoritmo Bat para modelar el consumo de energía basado en la universidad a corto plazo

Adequate planning and right decision making in the energy sector lies on accurate forecasts of the load demand.In this paper, Artificial Neural Network (ANN) trained via Bat algorithm was employed for short term load projection of University of Ibadan, Nigeria.Daily load demand of the study area was obtained from the log records.The neural network was built, trained with historical data gotten from the premier University in Nigeria and then used to predict 24 hour's load demand from Dec., 1 st to Dec., 7 th , 2016.The experimental results indicated that the proposed method achieved a Mean Absolute Percentage Error (MAPE) of 6.60% and a Mean Percentage Error (MPE) of 4.17%.This research finds application in scheduling of power demand in power system. يكمن التخطيط الكافي واتخاذ القرار الصحيح في قطاع الطاقة في التنبؤات الدقيقة للطلب على الحمل. في هذه الورقة، تم استخدام الشبكة العصبية الاصطناعية (ANN) المدربة عبر خوارزمية الخفافيش لإسقاط الحمل على المدى القصير لجامعة إيبادان، نيجيريا. تم الحصول على طلب الحمل اليومي لمنطقة الدراسة من سجلات السجل. تم بناء الشبكة العصبية وتدريبها بالبيانات التاريخية التي تم الحصول عليها من الجامعة الرائدة في نيجيريا ثم استخدامها للتنبؤ بطلب الحمل على مدار 24 ساعة من 1 ديسمبر إلى 7 ديسمبر 2016. أشارت النتائج التجريبية إلى أن الطريقة المقترحة حققت متوسط خطأ النسبة المئوية المطلقة (MAPE) بنسبة 6.60 ٪ وخطأ النسبة المئوية المتوسطة (MPE) بنسبة 4.17 ٪. يجد هذا البحث تطبيقًا في جدولة الطلب على الطاقة في نظام الطاقة. Une planification adéquate et une prise de décision correcte dans le secteur de l'énergie reposent sur des prévisions précises de la demande de charge. Dans cet article, un réseau neuronal artificiel (RNA) formé via un algorithme Bat a été utilisé pour la projection de charge à court terme de l'Université d'Ibadan, au Nigéria. La demande de charge quotidienne de la zone d'étude a été obtenue à partir des enregistrements logiques. Le réseau neuronal a été construit, formé avec des données historiques obtenues de la première université du Nigéria, puis utilisé pour prédire la demande de charge sur 24 heures du 1er au 7 décembre 2016. Les résultats expérimentaux ont indiqué que la méthode proposée a atteint une erreur moyenne en pourcentage absolu (MAPE) de 6,60 % et une erreur moyenne en pourcentage (MPE) de 4,17 %. Cette recherche trouve une application dans la planification de la demande d'énergie dans le système électrique. La planificación adecuada y la toma de decisiones correctas en el sector energético se basan en pronósticos precisos de la demanda de carga. En este documento, se empleó una red neuronal artificial (ANN) entrenada a través del algoritmo Bat para la proyección de carga a corto plazo de la Universidad de Ibadan, Nigeria. La demanda de carga diaria del área de estudio se obtuvo a partir de los registros de registro. Se construyó la red neuronal, se entrenó con datos históricos obtenidos de la principal universidad de Nigeria y luego se utilizó para predecir la demanda de carga de 24 horas del 1 al 7 de diciembre de 2016. Los resultados experimentales indicaron que el método propuesto logró un error porcentual absoluto medio (MAPE) del 6,60% y un error porcentual medio (MPE) del 4,17%. Esta investigación encuentra aplicación en la programación de la demanda de energía en el sistema de energía.