بررسی نقش یادگیری ماشین در پیش بینی مصرف انرژی الکتریکی

پیش بینی مصرف انرژی الکتریکی از مهم ترین موضوعات در برنامه ریزی و مدیریت سیستم های قدرت به شمار می رود، زیرا برآورد دقیق تقاضا نقش موثری در افزایش بهره وری و پایداری شبکه دارد.با توجه به پیچیدگی الگوهای مصرف و تاثیر عوامل متعدد اقتصادی، اقلیمی و زمانی، روش های سنتی در بسیاری از موارد از دقت کافی برخوردار نیستند.از این رو، در سال های اخیر استفاده از روش های یادگیری ماشین برای تحلیل داده های مصرف انرژی و پیش بینی رفتار آینده آن مورد توجه قرار گرفته است.پژوهش های پیشین نشان داده اند که الگوریتم هایی مانند شبکه عصبی، XGBoost، جنگل تصادفی و LSTM می توانند عملکرد مناسبی در این حوزه ارائه دهند.هدف این پژوهش بررسی نقش یادگیری ماشین در پیش بینی مصرف انرژی الکتریکی و مقایسه کارایی الگوریتم های مختلف در این زمینه است.در این راستا، داده های تاریخی مصرف انرژی و متغیرهای اثرگذار گردآوری و پس از آماده سازی، در مدل های مختلف مورد تحلیل قرار می گیرند.سپس، عملکرد هر مدل بر اساس شاخص های ارزیابی مناسب سنجیده می شود تا الگوریتم برتر مشخص گردد.نتایج این بررسی می تواند در کاهش خطای پیش بینی، بهبود تصمیم گیری و برنامه ریزی دقیق تر در حوزه انرژی موثر باشد.همچنین، استفاده از مدل های هوشمند می تواند به مدیریت بهینه بار و ارتقای کارایی شبکه برق کمک کند در نهایت، این پژوهش می کوشد مدلی دقیق، کاربردی و قابل اتکا برای پیش بینی مصرف انرژی الکتریکی ارائه دهد

کلیدواژه ها:

یادگیری ماشین ، پیش بینی مصرف انرژی الکتریکی ، شبکه عصبی مصنوعی ، LSTM