توسعه ی مدل پیش بینی قطعی برق مبتنی بر یادگیری عمیق برای بهبود تاب آوری در سیستم های قدرت

قطعی های ناگهانی برق، نه تنها پایداری شبکه را تحت تاثیر قرار می دهند، بلکه موجب افزایش چشمگیر هزینه های عملیاتی نیز می شوند؛ مسئله ای که چالشی اساسی برای بهره وری سیستم های برقی به شمار می رود. در این پژوهش، مدلی کارآمد مبتنی بر یادگیری عمیق برای پیش بینی قطعی برق ارائه می شود که تلفیقی از یک ویژگی یاب مبتنی بر خودرمزگذار و یک طبقه بند چندلایه با ساختار باقی مانده است. آنچه این مدل را از روش های مرسوم متمایز می سازد، توانایی آن در حفظ دقت بالای پیش بینی بدون اتکا به ویژگی های مکانی نظیر عرض و طول جغرافیایی است، عواملی که اغلب در مدل های سنتی نقش کلیدی داشتند. در مرحله نخست روش پیشنهادی، یک خودرمزگذار بر روی مجموعه داده ای غنی، فاقد برچسب، شامل اطلاعات آب وهوایی و تقاضای انرژی در بازه زمانی بیست وچهارساله (۲۰۰۰ تا ۲۰۲۴) از ایالت مریلند ایالات متحده آموزش داده می شود. نمایش های نهفته به دست آمده از این مدل، به عنوان ویژگی های استخراج شده، به مدل طبقه بندی آموزش دیده بر داده های برچسب دار قطعی های برق افزوده می شوند. مدل نهایی، حتی بدون استفاده از داده های مکانی، موفق به کسب امتیاز F۱ معادل ۸۱% شده است؛ درحالی که عملکرد آن با بهره گیری از تمامی ویژگی ها (شامل مختصات جغرافیایی) به ۹۰% می رسد. این سطح از قابلیت تعمیم پذیری، امکان استقرار مدل در مناطق فاقد داده های مکانی را فراهم کرده و درنهایت، به ارتقاء انعطاف پذیری، قابلیت اطمینان و بهره وری سیستم قدرت منجر می شود.

کلیدواژه ها:

قطعی برق ، پایداری سیستم های قدرت ، یادگیری عمیق ، یادگیری انتقالی ، خودرمزگذار