کنترل تطبیقی بار در شبکه های هوشمند با استفاده از یادگیری ماشین

با رشد روزافزون مصرف انرژی و پیچیدگی های ناشی از ادغام منابع تولید پراکنده، شبکه های هوشمند برق به عنوان راهکاری نوین برای مدیریت بهینه بار و افزایش بهره وری انرژی مطرح شده اند. یکی از چالش های اساسی در این حوزه، کنترل تطبیقی بار در شرایط متغیر و غیرخطی شبکه است؛ به ویژه در زمان هایی که نوسانات مصرف یا تولید انرژی بالا است. هدف این پژوهش، ارائه یک مدل ترکیبی نوآورانه مبتنی بر یادگیری ماشین برای پیش بینی دقیق بار و اعمال کنترل تطبیقی در زمان واقعی است.در این مطالعه، از ترکیب شبکه های عصبی بازگشتی (LSTM) برای پیش بینی بار مصرفی و سیستم منطق فازی برای تصمیم گیری تطبیقی استفاده شده است. داده های مورد استفاده شامل اطلاعات مصرف برق واقعی، شرایط آب وهوایی، ساعات اوج مصرف و داده های تاریخی از یک شبکه توزیع شهری در بازه زمانی یک ساله بوده اند. پس از پیش پردازش داده ها با استفاده از تکنیک های نرمال سازی و حذف نویز، مدل پیشنهادی آموزش داده شد و عملکرد آن با مدل های مرجع مانند ANN، SVM و ARIMA مقایسه گردید.نتایج تجربی نشان داد که مدل پیشنهادی توانست با کاهش میانگین خطای پیش بینی تا ۱۸٪ و افزایش ضریب تعیین (R²) تا ۰.۹۴، عملکرد بهتری نسبت به روش های سنتی ارائه دهد. همچنین، سیستم فازی در شرایط نوسان شدید بار، تصمیمات بهینه تری اتخاذ کرد و زمان پاسخ گویی شبکه را بهبود بخشید. نوآوری اصلی این پژوهش در طراحی یک چارچوب ترکیبی قابل تعمیم برای کنترل بار در شبکه های هوشمند است که قابلیت انطباق با شرایط لحظه ای را داراست و می تواند به عنوان زیرساختی برای توسعه سیستم های پاسخ گویی بار در آینده مورد استفاده قرار گیرد.

کلیدواژه ها:

یادگیری ماشین ، کنترل تطبیقی بار ، شبکه های هوشمند ، پیش بینی بار ، LSTM ، منطق فازی ، بهینه سازی مصرف انرژی ، سیستم های پاسخ گویی بار