استفاده از شبکه‌های عصبی ترکیبی و روش بهینه‌سازی آموزش جامع ازدحام ذرات به‌منظور پیش‌بینی کوتاه‌مدت بار الکتریکی

پیش‌بینی کوتاه‌مدت بار الکتریکی همواره به‌عنوان یکی از عناصر کلیدی در عملکرد اقتصادی و ایمن سیستم‌های قدرت به‌حساب می‌آید. در محیط رقابتی بازار برق، شرکت‌های برق به رویکردهای دقیق‌تری برای پیش‌بینی بار به‌منظور گرفتن تصمیمات بهتر درزمینه خرید و یا تولید برق نیازمند هستند. در این مقاله روشی نوین برای پیش‌بینی کوتاه‌مدت بار الکتریکی بر مبنای یادگیری ماشینی ارائه‌شده است. این روش از یک فرایند انتخاب داده‌ی مؤثر دومرحله‌ای و یک موتور پیش‌بینی نوین تشکیل شده است. در بخش انتخاب داده مؤثر از دو فیلتر مجزای نامربوط بودن و زائد بودن برای انتخاب بهترین مجموعه داده‌های ورودی استفاده شده است. در موتور پیش‌بینی پیشنهادی از یک ماشین بردار پشتیبان، شبکه عصبی ترکیبی و روش بهینه‌سازی آموزش جامع ازدحام ذرات، استفاده‌شده است. با بکارگیری روش بهینه‌سازی آموزش جامع ازدحام ذرات در کنار شبکه عصبی ترکیبی، دقت پیش‌بینی افزایش یافته و از خطای آن به میزان موثری کاسته می‌شود. رویکرد پیشنهادی در بازارهای برق PJM و AEMO مورد بررسی قرار گرفته است. نتایج عددی به‌دست‌آمده، نشان‌دهنده‌ی کارایی و توانایی قابل‌قبول این روش در مقایسه با آخرین روش‌های ارائه‌شده درزمینه پیش‌بینی کوتاه‌مدت بار الکتریکی است.

Keywords:

انتخاب داده موثر , موتور پیش‌بینی , شبکه عصبی ترکیبی , بهینه‌سازی ازدحام ذرات , پیش‌بینی کوتاه‌‌مدت بار الکتریکی