پیش بینی کوتاه مدت بار الکتریکی از طریق یادگیری ویژگی های بار با استفاده از شبکه های عمیق کانولوشن و بازگشتی
- سال انتشار: 1400
- محل انتشار: فصلنامه صنایع الکترونیک، دوره: 12، شماره: 2
- کد COI اختصاصی: JR_SAIRAN-12-2_004
- زبان مقاله: فارسی
- تعداد مشاهده: 628
نویسندگان
دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس
دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس
دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس
چکیده
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 بینیاطلاعات بیشتر در مورد COI
COI مخفف عبارت CIVILICA Object Identifier به معنی شناسه سیویلیکا برای اسناد است. COI کدی است که مطابق محل انتشار، به مقالات کنفرانسها و ژورنالهای داخل کشور به هنگام نمایه سازی بر روی پایگاه استنادی سیویلیکا اختصاص می یابد.
کد COI به مفهوم کد ملی اسناد نمایه شده در سیویلیکا است و کدی یکتا و ثابت است و به همین دلیل همواره قابلیت استناد و پیگیری دارد.