بررسی و تشخیص عیب در سیستم شبکه های برق بر مبنای یادگیری عمیق

از آنجا که بارهای مصرفی به ویژه در ساعات اوج مصرف دچار نوسان می شوند، پیش بینی دقیق این تغییرات امری حیاتی است. یکی از چالش های 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 مدل سازی و پیش بینی 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 به کارگیری شبکه های عصبی کانولوشن در پیش بینی نوسانات برق، می توان افزایش دقت و کارایی در پیش بینی 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 ، پیش بینی ، شبکه های عصبی کانولوشن ، داده های سری زمانی ، مدیریت انرژی