پیش بینی بار کوتاه مدت و میان مدت بار (بر اساس روش یادگیری عمیق-DL مبتنی بر مدل شبکه عصبی مصنوعی- LSTM)مطالعه موردی ترانسفورماتور پست توزیع خراسان رضوی

با توسعه شبکه های هوشمند، پیش بینی دقیق منحنی مصرف، جهت مدیریت بار شبکه و دیسپاچینگ برای شرکت های توزیع اهمیت بسیاری پیدا کرده است. توسعه و انتخاب مدل های سری زمانی به منظور انتخاب مدل کاربردی و بهینه ی در پیش بینی بار، یک چالش جدی برای شرکت های توزیع است. هدف این مقاله دستیابی به مدل بهینه پیش بینی بار با استفاده از روش یادگیری ماشین و حافظه بلند-کوتاه مدت بر اساس شبکه عصبی با تنظیمات مدل های پیش بینی برای پیش بینی کوتاه مدت و میان مدت بار بر اساس اطالعات شبکه توزیع میباشد. این مقاله موارد مطرح شده را بر اساس آموزش الگوریتم یادگیری بارهای خطی و غیر خطی و انتخاب بهینه ترین پیش بینی بر اساس یادگیری عمیق شبکه عصبی، بررسی و ارزیابی مینماید . مطالعه موردی با استفاده از اطلاعات بار یک ترانسفوماتور نمونه در شرکت توزیع خراسان رضوی انجام شده است. با استاندارد سازی اطالعات)پیش پردازش اطلاعات و استفاده از روش یادگیری عمیق مبتنی بر مدل LSTM و تسهیم ۷۰ به ۳۰ به ترتیب برای داده های آموزش و تست شبکه هوشمند طراحی شده، نتایج بدست آمده خطای پیش بینی بار را تا حدود ۲ درصد کاهش میدهد. در این مقاله سعی شده است که اطالعات آموزش دیده شده را مجددا به عنوان اطلاعات فضای آموزش قرار داده و شبیه سازی را دوباره )شبیه سازی بروزرسانی شده( انجام دهد. خطای بدست آمده در مقایسه با شبیه سازی بدون شبیه سازی تاثیر گذار است .

Keywords:

یادگیری عمیق , شبکه هوشمند , شبکه عصبی مصنوعی , Load Forecasting , Deep Learning