پیش بینی بار الکتریکی شبکه هوشمند توزیع برق با استفاده از شبکه عصبی بهینه سازی شده

پیش بینی دقیق بار الکتریکی در شبکه های هوشمند توزیع برق، به منظور مدیریت بهینه انرژی، ایجاد تعادل میان عرضه و تقاضا و افزایش پایداری شبکه، از اهمیت ویژه ای برخوردار است. با گسترش منابع انرژی تجدیدپذیر و پیچیده تر شدن الگوهای مصرف، روش های سنتی آماری به دلیل ناتوانی در مدل سازی روابط غیرخطی و پویا، کارایی خود را از دست می دهند. در این پژوهش، یک مدل ترکیبی مبتنی بر شبکه عصبی پرسپترون چندلایه و الگوریتم بهینه ساز پوما برای پیش بینی سری زمانی مصرف برق ارائه می شود. ابتدا داده های مصرف ساعتی با استفاده از پنجره زمانی لغزان ساختاردهی شده و ۲۹ ویژگی آماری، تفاضلی، روند، خودهمبستگی، انرژی و آنتروپی از آن ها استخراج می گردد. سپس شبکه عصبی با یک لایه پنهان طراحی می شود و تابع هدف ترکیبی از معیارهای میانگین مربعات خطا و میانگین قدر مطلق درصد خطا تعریف می گردد. در نهایت، الگوریتم پوما با جمعیت ۳۰ و ۵۰ تکرار، وزن ها و بایاس های شبکه را به صورت هم زمان بهینه سازی می نماید. شبیه سازی ها در محیط متلب ۲۰۲۴ بر روی مجموعه داده های واقعی مصرف برق انجام شده و نتایج در پنج تکرار مستقل با یک طرح پایه معتبر مقایسه می گردد. نتایج حاصل از تحلیل نمودارهای رگرسیون، هیستوگرام خطا و معیارهای MSE، RMSE،MAE و MAPE نشان می دهد که روش پیشنهادی در تمامی شاخص ها عملکرد برتری داشته و به طور میانگین خطای پیش بینی را نسبت به روش پایه به طور چشمگیری کاهش می دهد. پراکندگی بسیار کمتر نتایج در تکرارهای مختلف، بیانگر پایداری و همگرایی مطلوب الگوریتم پوما است. همچنین شبیه سازی مولفه های شبکه هوشمند شامل پایش بلادرنگ، کنترل خودکار، خودترمیمی و پاسخگویی به تقاضا، کارایی عملی مدل را در مدیریت بهینه انرژی تایید می نماید.

کلیدواژه ها:

پیش بینی مصرف برق ، پرسپترون چندلایه ، الگوریتم بهینه ساز پوما ، شبکه هوشمند توزیع برق.