طراحی و پیاده سازی یک سامانه پیش بینی کوتاه مدت بار بر اساس مدل ترکیبی مبتنی بر شبکه های عصبی عمیق و الگوریتم ژنتیک

با توجه به رشد روز افزون مصرف انرژی الکتریکی و پیچیدگی فاکتورهای موثر بر تقاضا، دقت در پیش بینی بار نقش کلیدی در بهره برداری بهینه از شبکه های قدرت دارد. عدم پیش بینی درست میزان بار مورد نیاز منجر به عدم تعادل در مصرف شده و عموما به علت محدودیت های تولید انرژی الکتریکی باعث خاموشی خواهد شد. در این مقاله طراحی و پیاده سازی یک سامانه نرم افزاری پیش بینی کوتاه مدت بار الکتریکی بر اساس مدل ترکیبی مبتنی بر شبکه های عصبی عمیق (DNN) و الگوریتم ژنتیک (GA) ارائه شده است. در مدل پیشنهادی بر اساس داده های بار مصرفی شهر رشت در بازه ی زمانی سه ساله به همراه اطلاعات هواشناسی شامل دما و رطوبت و سایر پارامترهای تاثیرگذار به عنوان ورودی به شبکه ی عصبی داده شده است. سپس به منظور افزایش دقت و بهینه سازی وزن ها از الگوریتم ژنتیک برای تعیین پارامترهای شبکه استفاده گردید. نتایج حاصل نشان می دهد که مدل پیشنهادی بر اساس سنجه میانگین خطای مطلق (MAPE) به حداقل ۲ درصد و میانگین خطای پیش بینی ۵.۲ می رسد. بر اساس مقایسه نتایج مدل پیشنهادی عملکرد بهتری نسبت به روش های کلاسیک از جمله مدل های آماری و رگرسیونی دارد. در نهایت سیستم طراحی شده با پیاده سازی در قالب یک نرم افزار تحت وب مبتنی بر میکروسرویس قابلیت پیش بینی بار روزانه با به روزرسانی خودکار داده های ورودی را فراهم می کند.

کلیدواژه ها:

پیش بینی ، کوتاه مدت ، هوشمند ، انرژی ، بار ، شبکه های عصبی عمیق ، الگوریتم ژنتیک ، میکروسرویس