رمضانعلی نقی زاده - Hamedan University of Technology

هدف از این مقاله، به کارگیری و مقایسه عملکرد سه روش یادگیری ماشین شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و اسپلاین‎های رگرسیون تطبیقی چندمتغیره (MARS) برای پیش بینی کوتاه مدت و بلندمدت بار الکتریکی است. اطلاعات ورودی به صورت بار الکتریکی ساعت قبلی، دمای هوا و زاویه فعلی ارتفاعی خورشید و روزهای تعطیل رسمی در نظر گرفته شده است. سه معیار مختلف برای مقایسه عملکرد شامل خطای جذر میانگین مربعات، خطای میانگین قدر مطلق و ضریب تعیین R۲ مورد استفاده قرار گرفته است. روش ها بر روی داده های ثبت شده واقعی مصرف بار الکتریکی یکی از پست های فوق توزیع شهر همدان و با استفاده از زبان برنامه نویسی متن باز R پیاده سازی شده است. داده دمای هوای منطقه از نزدیک ترین ایستگاه هواشناسی دریافت شده و زاویه تابش خورشید برای کل ساعات سال بر اساس موقعیت جغرافیای محل و روابط نجومی محاسبه شده است. نتایج نشان می دهد که روش‎های پیاده شده با دقت بسیار خوبی بار مصرفی را پیش بینی می‎نمایند و همچنین روش RF در پیش بینی بار کوتاه مدت و روش SVM در پیش بینی بار بلندمدت عملکرد بسیار مناسبی ارائه می‎دهند و دقت بیشتری دارند.

Short-Term Prediction, Long-Term Prediction, Machine Learning, Random Forest, Support Vector Machine, Multivariate Adaptively Regression Spline, پیش بینی بار کوتاه مدت, پیش بینی بار بلندمدت, یادگیری ماشین, جنگل تصادفی, ماشین بردار پشتیبان, اسپلاین های رگرسیون تطبیقی چند متغیره