پیش بینی کوتاه مدت مصرف بار الکتریکی با استفاده از شبکه های عصبی عمیق CNN و LSTM
امروزه انرژی الکتریسیته یکی از اساسی ترین نیازهای جوامع بشری محسوب می شود به گونه ای که تمام فعالیت های صنعتی و بخش زیادی از فعالیت های اجتماعی، اقتصادی، کشاورزی و... با اتکا به این انرژی انجام می شود، بنابراین کیفیت و تداوم انرژی الکتریسیته از اهمیت بسزایی برخوردار است. هدف این پژوهش آن است که بر اساس عوامل موثر بر بار الکتریکی که دارای روابط پیچیده غیرخطی هستند و عمدتا شامل تغییرات آب و هوا و نوسانات دوره ای روزانه و هفتگی مصرف می باشند به پیش بینی تغییرات مصرف بار کوتاه مدت دست یابد. روش پیشنهادی یک شبکه عصبی ترکیبی، با استفاده از یادگیری عمیق می باشد که از ترکیب دو معماری CNN و LSTM ایجاد شده است. معماری CNN با توجه به قابلیت آن در استخراج الگوهای موجود در داده و معماری LSTM بر پایه توانایی آن در پیش بینی سری های زمانی، مورد استفاده قرار گرفته اند. رویکرد ارایه شده با استفاده از پیش بینی آب و هوای ساعات آینده و الگوی مصرف بار الکتریکی در ساعات گذشته، قادر به پیش بینی الگوی مصرف آینده خواهد بود. نتایج ارزیابی نشان می دهد که دقت پیش بینی بر اساس معیارهای MAPE ، RMSE، RSEوCORR در مقایسه با بهترین روش های موجود بهبود یافته است.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.