پیش بینی کوتاه مدت بار در ریزشبکه ها با استفاده از شبکه های حافظه طولانی کوتاه مدت (LSTM) با رویکرد یادگیری عمیق

با توجه به رشد روزافزون مصرف انرژی در بخش خانگی، مدیریت تقاضا و یکپارچه سازی سیستم های ذخیره ساز انرژی به یک چالش اساسی در شبکه های هوشمند تبدیل شده است. مسئله اصلی این پژوهش، پیچیدگی بهینه سازی زمان بندی تجهیزات خانگی همراه با در نظر گرفتن محدودیت های فنی باتری و حفظ رفاه ساکنین تحت تعرفه های زمان-مصرف است. هدف از این مطالعه، توسعه یک چارچوب مدیریت انرژی هوشمند جهت کمینه سازی همزمان هزینه های پرداختی برق و کاهش نسبت اوج به میانگین بار، بدون ایجاد نارضایتی چشمگیر برای مصرف کننده می باشد. از نظر روش شناسی، این پژوهش یک مطالعه کمی مبتنی بر مدل سازی ریاضی است که در محیط نرم افزاری شبیه سازی شده است. در این راستا، از الگوریتم ژنتیک به عنوان یک روش فراابتکاری قدرتمند برای حل مسئله بهینه سازی چندهدفه استفاده گردید. تابع برازش ترکیبی مدل، بر اساس وزن دهی به دو شاخص هزینه و رفاه تعریف شد. یافته های حاصل از شبیه سازی نشان دهنده کارایی بالای روش پیشنهادی است؛ به گونه ای که اجرای الگوریتم ژنتیک توانست در مقایسه با سناریوی پایه (بدون سیستم مدیریت هوشمند)، هزینه های روزانه مصرف انرژی را به میزان ۲۸% کاهش داده و شاخص اوج به میانگین بار را با بهبود ۴۴.۱% مواجه سازد. علاوه بر این، شاخص نارضایتی کاربر در سطح بسیار پایین (۰.۱۲) کنترل شد که نشان از همگرایی موفق مدل دارد. نتایج این پژوهش ثابت می کند که زمان بندی همزمان بارهای قابل کنترل و سیستم ذخیره ساز با استفاده از الگوریتم ژنتیک تحت تعرفه TOU، نه تنها از طریق انتقال بار به ساعات کم باری موجب صرفه جویی اقتصادی خانوار می شود، بلکه با مسطح سازی پروفایل مصرف، پایداری شبکه برق را نیز به طرز قابل توجهی ارتقا می بخشد.

کلیدواژه ها:

خانه هوشمند ، سیستم ذخیره ساز انرژی ، الگوریتم ژنتیک ، تعرفه زمان-مصرف ، بهینه سازی چندهدفه