کاربرد یادگیری عمیق در تحلیل و پیش بینی روندهای زمانی پیچیده

پیش بینی دقیق بار انرژی یکی از چالش های کلیدی در مدیریت شبکه های قدرت و برنامه ریزی منابع است. با پیچیده تر شدن الگوهای مصرف ناشی از نوسانات اقلیمی، تغییرات رفتاری مصرف کنندگان و افزایش سهم منابع تجدیدپذیر، روش های سنتی پیش بینی با محدودیت های جدی مواجه شده اند. در این پژوهش، از رویکردهای یادگیری عمیق شامل LSTM، GRU، ۱D-CNN و Transformer برای پیش بینی بار مصرف برق بر اساس داده های ساعتی سه ساله استفاده شد. داده ها علاوه بر بار مصرف، شامل متغیرهای برون زا نظیر دما، رطوبت، سرعت باد و مناسبت های تقویمی بودند. مدل ها در افق های پیش بینی کوتاه مدت (۱ ساعته)، میان مدت (۶ ساعته) و بلندمدت (۲۴ ساعته) مورد ارزیابی قرار گرفتند. نتایج نشان داد که تمامی مدل ها عملکرد قابل قبولی دارند، اما مدل Transformer در تمام افق های زمانی بهترین دقت را ارائه کرد. در افق ۲۴ ساعته، این مدل با کاهش چشمگیر خطا نسبت به سایر مدل ها توانست برتری خود را در شناسایی وابستگی های بلندمدت نشان دهد. مدل های LSTM و GRU نیز کارایی مناسبی داشتند، در حالی که ۱D-CNN ضعیف ترین عملکرد را ثبت کرد. یافته ها بیانگر آن است که استفاده از معماری های مبتنی بر مکانیزم توجه می تواند بهبود چشمگیری در دقت و پایداری پیش بینی بار انرژی فراهم آورد. این نتایج می تواند به بهره برداران شبکه در بهینه سازی برنامه ریزی تولید، مدیریت ذخایر، یکپارچه سازی منابع تجدیدپذیر و کاهش عدم قطعیت در بازار برق کمک کند. در ادامه، پیشنهاد می شود پژوهش های آتی با تمرکز بر مدل های هیبریدی، برآورد عدم قطعیت و استفاده از داده های چندوجهی به توسعه و استقرار عملی این رویکردها بپردازند.

کلیدواژه ها:

یادگیری عمیق ، پیش بینی بار انرژی ، سری های زمانی ، LSTM