پیش بینی کوتاه مدت مصرف بار الکتریکی با استفاده از یک ساختار یادگیری عمیق مبتنی بر گراف

پیش بینی بارهای الکتریکی یک عملیات ضروری برای برنامه ریزی مدیریت مصرف در سیستم های قدرت به شمار می رود. با پیدایش فناوری های جدید در سیستم های قدرت، رشد سریع صنایع مبتنی بر انرژی الکتریکی و افزایش بی رویه ی جمعیت، مسیله ی پیش بینی کوتاه مدت بار مصرفی شکل جدیدی به خود گرفته است. در این مقاله یک ساختار یادگیری عمیق بر مبنای گراف برای پیش بینی کوتاه مدت بار ارایه شده است. این ساختار پیشنهادی از سه قسمت اصلی تشکیل شده است. از شبکه های عصبی کانولوشنی (CNN) برای یادگیری مشخصات مکانی، از ساختار دو طرفه حافظه ی بلند کوتاه مدت (BLSTM) برای یادگیری کامل مشخصات زمانی سری زمانی بار مصرفی و یک ساختار انکودر-دکودر عمیق برای افزایش قدرت یادگیری مشخصات سری زمانی بار از داده های خام بار مصرفی پیشین استفاده شده است. این ساختار به صورت یک ساختار مبتنی بر گراف طراحی شده است تا با یادگیری تاثیرات مشخصاتی اقلیمی همچون رطوبت، دما و فشار هوا بر روی بار مصرفی، دقت مطلوبی برای پیش بینی بارهای مصرفی داشته باشد. برای ارزیابی نتایج از داده های پیشین واقعی شهر شیراز، ایران استفاده شده است. برای این که موثر بودن و برتری روش پیشنهادی نشان داده شود، تکنیک پیشنهادی در پیش بینی فصل های مختلف و در طول یک سال و همچنین، تاثیرگذاری مشخصات اقلیمی بر روی بارهای مصرفی مورد ارزیابی و مقایسه با روش های متنوعی بر مبنای یادگیری عمیق و روش های مبتنی بر یادگیری ماشین مختلف و با استفاده از نرم افزار python مقایسه شده است.