پیش بینی بار پیک روزانه بر مبنای مدل انتخاب ویژگی و شبکه عصبی LSTM

پیش بینی بار الکتریکی یکی از مسائل مهم در برنامه ریزی سیستم قدرت است. به کمک پیش بینی بار الکتریکی و پیش بینی بار پیک می توان قابلیت اطمینان و امنیت شبکه قدرت را بهبود بخشید و برنامه ریزی مناسبی برای مدیریت بار در زمان های پیک بار الکتریکی داشت. از این رو مساله پیش بینی بار الکتریکی پیک از گذشته تا کنون به یکی از مسائل مهم و پرچالش بدل گشته است. در این مقاله از یک روش ترکیبی با استفاده از اطلاعات تاریخی بار الکتریکی و بر مبنای پیش پردازش داده ها به کمک شبکه های عصبی برای تخمین بار پیک الکتریکی روزانه استفاده شده است. پیش پردازش داده ها شامل استفاده از تبدیل موجک و روش انتخاب ویژگی است که منجر به کاهش ابعاد داده های ورودی و تسریع در حل مساله پیش بینیمی گردد. شبکه های عصبی مورد استفاده مدل MLP و شبکه عصبی LSTM می باشد. مدل پیشنهادی بر روی داده های سال ۲۰۱۸ بازار برق PJM آزمایش شده اند که نتایج نشان می دهد بهخوبی از پس پیش بینی بار پیک روزانه برآمده اند.

کلیدواژه ها:

پیش بینی بار پیک ، شبکه عصبی MLP ، شبکه عصبی LSTM ، تبدیل موجک ، انتخاب ویژگی