پیش بینی کوتاه مدت بار الکتریکی از طریق یادگیری ویژگی های بار با استفاده از شبکه های عمیق کانولوشن و بازگشتی

پیش بینی بار الکتریکی مصرفی برای عملکرد مطمئن سیستم های قدرت و همچنین برای برنامه ریزی مدیریت تقاضا و ذخیره بار حیاتی است. در این مقاله پیش-بینی بار با استخراج ویژگی های تاریخچه بار مصرفی با استفاده از شبکه های عصبی عمیق انجام شده است. شبکه های عصبی بازگشتی ، به ویژه شبکه های عصبی بازگشتی بهبود یافته، مانند LSTM و GRU قادر به نگه داشتن حافظه کوتاه مدت و طولانی هستند تا روابط بین مقادیر بار را از سری زمانی استخراج کنند. از طرف دیگر، شبکه های عصبی کانولوشنی قادر به یادگیری خودکار ویژگی ها هستند و می توانند مستقیما یک بردار را برای پیش بینی تولید کنند. روش پیشنهادی این مقاله، استخراج ویژگی های بار با استفاده از شبکه های عصبی کانولوشن و سپس استخراج اطلاعات توالی زمانی بار با بهره گیری از شبکه GRU است. نتایج آزمایش ها بر روی سه مجموعه داده Toronto و ISO-NE و North American Utility نشان دهنده کاهش خطای پیش بینی روش پیشنهادی در مقایسه با سایر روش های رقیب است.

کلیدواژه ها:

پیش بینی بار الکتریکی ، یادگیری عمیق ، شبکه های عصبی کانولوشنی ، شبکه های بازگشتی بهبود یافته ، خطای پیش بینی