طراحی شبکه باقی مانده عصبی عمیق چند سطحی برای پیش بینی کوتاه مدت بارهای الکتریکی در سیستم های قدرت

برای برقراری تعادل تولید - مصرف، طراحی یک روش که اطلاعات اولیه را برای بار مصرفی در ساعات آتی با سطح دقت و قابلیت اطمینان مطلوبی ضروری می باشد. مسیله ی پیش بینی بار با ظهور مفاهیم جدید در شبکه های برق و تجدید ساختار سیستم های قدرت روز به روز پیچیده تر می شود. این مقاله یک شبکه باقی مانده عصبی را برای پیش بینی با دقت بالای بارهای الکتریکی پیشنهاد می کند. در شبکه ی طراحی شده با ترکیب دو شبکه ی باقی مانده عمیق قدرتمند توانایی یادگیری ارتقا یافته و همچنین از مشکلاتی همچون بیش برازش و کاهش/افزایش گرادیان جلوگیری شده است. همچنین، برای یادگیری کامل مشخصات زمانی و مکانی، شبکه ی عصبی کانولوشنی (CNN) و واحد بازگشتی حافظه دار (GRU) ترکیب شده و در ساختار چندسطحی باقی مانده ادغام شده است. تحلیل ها فصلی و تحقیق بر روی چندین مورد مختلف با استفاده از داده های بار مصرفی واقعی در شهر شیراز، ایران موثر بودن روش را تایید می کند و برتری روش پیشنهاد از طریق مقایسه با روش های پیشین نشان داده شده است.