پیشبینی بار الکتریکی با مدل ترکیبی ANFIS -LSTM مبتنی بر دادههای جوی و تاریخی در شبکه های هوشمند

پیشبینی دقیق بار الکتریکی به ویژه در شرایط ناپایدار شبکه های هوشمند، نقش حیاتی در مدیریت مصرف و تولید ایفا می کند. در این مقاله یک مدل ترکیبی مبتنی بر سیستمهای نروفازی تطبیقی (ANFIS) و شبکه عصبی حافظه بلندمدت (LSTM) ارائه شده است. این مدل با بهرهگیری از قابلیت های یادگیری عمیق و استدالل فازی، توانسته است اثرات تغییرات محیطی، شرایط جوی و الگوهای رفتاری بار را به صورت هوشمند و غیرخطی مدلسازی کند. داده های تاریخی مصرف یک واحد صنعتی همراه با دادههای جوی و اطلاعات زمانی به عنوان ورودی مدل استفاده شدهاند. نتایج نشان می دهد که روش پیشنهادی نسبت به مدلهای مرسوم ARIMA و شبکه های عصبی ساده، دارای ۲۳ درصد کاهش خطا (RMSE) بوده و با دقت۹۴ درصد، توانسته است دقت پیشبینی بار الکتریکی را بهبود دهد. این مدل می تواند در برنامه ریزی عملیاتی شبکه های هوشمند و مدیریت بارهای صنعتی نقش موثری ایفا کند.

کلیدواژه ها:

پیشبینی بار الکتریکی ، سیستم نروفازی تطبیقی ، یادگیری عمیق ، LSTM ، مدیریت هوشمند انرژی