مدلی نوین برای پیش بینی مصرف بار فیدرهای شهری مبتنی بر خوشه بندی و شبکه های عصبی بازگشتی

پیش بینی دقیق مصرف بار در سطح فیدرهای شهری، نقشی کلیدی در بهینه سازی مدیریت شبکه های توزیع برق ایفا می کند. با توجه به پیچیدگی های رفتاری مشترکان و تنوع الگوهای مصرف، استفاده از روش های هوشمند مبتنی بر تحلیل داده و یادگیری ماشین می تواند بهبود قابل توجهی در دقت پیش بینی فراهم آورد. در این پژوهش، مدلی ترکیبی مبتنی بر خوشه بندی و شبکه های عصبی بازگشتی (RNN) برای پیش بینی بار مصرفی فیدرهای شهری ارائه شده است. ابتدا با استخراج ویژگی های آماری و ساختاری از سری های زمانی مصرف، فضای ویژگی غنی سازی می شود. سپس با بهره گیری از روش های خوشه بندی افرازی از جمله K-means و K-medoids، مشترکان با الگوهای رفتاری مشابه در گروه های همگن دسته بندی می شوند. در گام بعد، برای هر خوشه یک مدل RNN شامل ساختارهای LSTM و GRU آموزش داده می شود تا وابستگی های زمانی درون خوشه ای به دقت مدل سازی شود. داده های مصرف بار روزانه مشترکان در شهر بوشهر به عنوان مطالعه موردی مورد استفاده قرار گرفته و نتایج حاصل از مدل پیشنهادی با مدل های غیرخوشه ای مقایسه شده اند. ارزیابی عملکرد مدل ها نشان می دهد که رویکرد ترکیبی ارائه شده نه تنها دقت پیش بینی را بهبود می بخشد، بلکه توانایی تعمیم مدل به گروه های رفتاری مختلف را نیز افزایش می دهد. این نتایج نشان دهنده ی اثربخشی خوشه بندی پیش از مدل سازی یادگیری عمیق در مسائل پیش بینی بار شهری است.

کلیدواژه ها:

پیش بینی مصرف بار ، فیدرهای شهری ، شبکه عصبی بازگشتی ، شبکه حافظه کوتاه-بلند مدت ، شبکه واحد برگشتی دروازه دار ، سری های زمانی