ارائه یک رویکرد مبتنی بر یادگیری جمعی برای پیش بینی مصرف برق با در نظر گرفتن عوامل محیطی، زمانی و تاریخی

این پژوهش به بررسی مسئله پیش بینی مصرف برق در سطح ملی با هدف کاهش ناترازی و مدیریت بهینه شبکه انرژی میپردازد. با توجه به نقش کلیدی پیش بینی بار در برنامه ریزی تولید انرژی الکتریکی و مدیریت سمت تقاضا، مطالعه حاضر بر بهبود دقت پیش بینی از طریق الگوریتمهای یادگیری ماشین تمرکز دارد. برای دستیابی به پیش بینی دقیق و فراتر رفتن از مدلهای صرفا خودرگرسی، قابلیت مدلها در پیشبینی ساعتی و افقهای زمانی مختلف (۱، ۷، ۳۰ و ۹۰ روز بار الکتریکی) بر اساس سه دسته ویژگی متغیرهای تاریخی مصرف، دادههای محیطی و ویژگیهای زمانی و تقویمی مورد بررسی قرار گرفت. روش تحقیق شامل به کارگیری سه مدل درخت تصمیم، جنگل تصادفی و XGBoost برای پیشبینی بار است. دادههای مورد استفاده شامل ۱۳۱,۴۸۱ رکورد ساعتی از ژانویه ۲۰۰۸ تا دسامبر ۲۰۲۲ میباشد. فرآیند مدل سازی شامل پیش پردازش دادهها، مهندسی ویژگیهای جدید و بهینه سازی فراپارامترها با اعتبارسنجی متقابل سریهای زمانی است. نتایج نشان داد که مدلهای یادگیری جمعی به ویژه XGBoost با کمترین خطا در پیشبینی ساعتی (%۲.۶ = MAPE) و بالاترین دقت و پایداری در افقهای میان مدت (۰.۸۸ = R۲ برای ۹۰ روز) عملکرد برتری نسبت به مدلهای پایه همچون درخت تصمیم دارند. همچنین تحلیل اهمیت ویژگیها مشخص کرد که دادههای تاریخی با سهم حدود ۵۵ درصد مهمترین عامل پیشبینی هستند اما ویژگیهای زمانی و تقویمی (۲۸) و آب وهوایی (۱۷) نیز نقش حیاتی در بهبود قدرت پیش بینی ایفا می.کنند. مدل حاصل از این پژوهش قابلیت به کارگیری برای پیشبینی مصرف در سطح کشور را نیز دار است و میتواند در کاهش ناترازیها موثر باشد.

کلیدواژه ها:

پیش بینی مصرف برق ، پیش بینی سری زمانی ، یادگیری ماشین ، جنگل تصادفی ، تقویت گرادیان ، یادگیری جمعی