تشخیص عیب در شبکه برق بر اساس یادگیری عمیق

نوسانات برق یکی از چالشهای عمده در صنعت انرژی به شمار میرود که ناشی از تغییرات ناگهانی در تولید و مصرف انرژی الکتریکی است. این نوسانات می تواند تاثیرات زیادی بر روی استحکام شبکه های برق، کیفیت خدمات و همچنین هزینه های اقتصادی داشته باشد. از آنجا که بارهای مصرفی به ویژه در ساعات اوج مصرف دچار نوسان می شوند، پیشبینی دقیق این تغییرات امری حیاتی است. یکی از چالشهای اساسی در این راستا، عدم قطعیت در داده های مصرفی و تولیدی، تنوع عوامل محیطی و اقتصادی موثر بر مصرف انرژی و همچنین پیچیدگی الگوهای زمانی مرتبط است. به همین دلیل، استفاده از روش های پیشرفته تری برای مدلسازی و پیشبینی این نوسانات امری ضروری است. شبکه های عصبی کانولوشن به عنوان یک ابزار قدرتمند در یادگیری عمیق، قابلیت های ویژه ای در تحلیل و تشخیص الگوها و ویژگی های پیچیده دارند. این شبکه ها با استفاده از لایه های کانولوشن قادر به استخراج اطلاعات معنادار از داده های زمانی هستند و می توانند در شناسایی الگوهای پنهان مرتبط با نوسانات برق موثر واقع شوند. با بهکارگیری شبکه های عصبی کانولوشن در پیشبینی نوسانات برق، می توان افزایش دقت و کارایی در پیشبینی را تجربه کرد که نتیجه آن بهبود مدیریت بار و کاهش هزینه ها خواهد بود. در این پژوهش، جهت پیش بینی نوسانات برق از مجموعه داده ی VSB استفاده گردیده است همچنین در این پژوهش نتایج روش پیشنهادی با روش های PSO مورد مقایسه قرار گرفته است که این نتایج برای روش پیشنهادی برابر ۹۶.۴۵ درصد و برای روش PSO برابر ۹۵.۷۵ درصد بدست آمده است که نشان دهنده ی کارایی قابل قبول روش پیشنهادی در شناسایی نوسانات برق دارد.

کلیدواژه ها:

نوسانات برق ، پیشبینی ، شبکه های عصبی کانولوشن ، داده های سری زمانی ، مدیریت انرژی