زمان بندی بهینه تجهیزات خانه هوشمند و سیستم ذخیره ساز انرژی با استفاده از الگوریتم ژنتیک تحت تعرفه های زمان-مصرف (TOU)

پیش بینی دقیق و کوتاه مدت بار مصرفی، نقشی حیاتی در بهره برداری اقتصادی و پایدار ریزشبکه ها ایفا می کند. با این حال، الگوهای مصرف غیرخطی و پیچیده ناشی از حضور تجهیزات نوین و رفتارهای تصادفی مصرف کنندگان، چالش های جدی برای دقت مدل های پیش بینی سنتی ایجاد کرده است. هدف از این پژوهش، توسعه و ارزیابی یک رویکرد مبتنی بر یادگیری عمیق با استفاده از شبکه های عصبی حافظه طولانی کوتاه مدت، جهت ارتقای دقت پیش بینی کوتاه مدت بار در ریزشبکه ها می باشد. در این راستا، از یک مجموعه داده سری زمانی شامل ۸۷۶۰ رکورد ساعتی بار مصرفی استفاده شد. پس از طی مراحل پیش پردازش و نرمال سازی داده ها، مدل پیشنهادی در محیط نرم افزار متلب پیاده سازی و آموزش داده شد. عملکرد این ساختار با مدل های مرسوم آماری و شبکه عصبی مصنوعی تحت شاخص های ارزیابی MAPE و RMSE مورد سنجش و مقایسه قرار گرفت. یافته های این مطالعه نشان داد که معماری LSTM در استخراج الگوهای پنهان و وابستگی های زمانی بلندمدت پروفیل بار بسیار موفق عمل کرده است. مدل پیشنهادی با ثبت خطای نسبی MAPE= ۲.۱۵ و RMSE= ۱۴.۸۷ کیلووات، توانست خطای پیش بینی را نسبت به مدل استاندارد شبکه عصبی تا ۵۰ درصد کاهش دهد. در نتیجه گیری می توان بیان داشت که به کارگیری شبکه LSTM، به رغم نیاز به زمان محاسباتی بیشتر در فاز آموزش آفلاین، به دلیل افزایش چشمگیر دقت پیش بینی، توجیه بسیار بالایی برای پیاده سازی در سیستم های مدیریت انرژی ریزشبکه ها دارد و پایداری و تاب آوری شبکه را در برابر نوسانات پیش بینی نشده بار تضمین می نماید.

کلیدواژه ها:

پیش بینی بار ، ریزشبکه ، یادگیری عمیق ، شبکه عصبی ، LSTM