پیش بینی سری زمانی مصرف برق خانگی با شبکه LSTM مبتنی بر داده های کنتورهای هوشمند

در سال های اخیر رشد فزاینده مصرف برق در بخش خانگی مدیریت بهینه انرژی را به یکی از اولویت های اصلی تبدیل کرده است. ظهور فناوری های نوین مانند اینترنت اشیاء (IoT) و الگوریتم های یادگیری ماشین امکان پایش و پیش بینی دقیق مصرف انرژی را فراهم آورده اند. در این پژوهش یک مدل شبکه عصبی حافظه دار بلندمدت (LSTM) به منظور پیش بینی مصرف برق خانگی بر اساس داده های ساعتی یک خانه مسکونی در بازه زمانی سه ساله توسعه یافته است. به منظور بهبود کیفیت داده های ورودی ابتدا از فیلتر Savitzky-Golay برای صاف سازی داده ها و کاهش نویز استفاده شد. مدل LSTM طراحی شده از معماری ترتیبی با پارامترهای بهینه بهره مند بوده و با استفاده از الگوریتم Adam آموزش داده شد. عملکرد مدل با استفاده از شاخص های MAE، RMSE و R مورد ارزیابی قرار گرفت. نتایج نشان داد که مدل در مرحله تست، مقدار R۲ برابر ۰.۸۴۷ و در آموزش برابر ۰.۹۶۵ کسب کرده است که دقت و تعمیم پذیری بالای مدل را تایید می کند. این پژوهش نشان می دهد که مدل های LSTM می توانند ابزار قدرتمندی در پیش بینی مصرف انرژی و کمک به بهینه سازی مدیریت انرژی در مقیاس خانگی و کلان باشند.

کلیدواژه ها:

مصرف برق ، شبکه عصبی LSTM ، اینترنت اشیا ، یادگیری عمیق ، IoT