یک روش پیش بینی بلندمدت بار الکتریکی مبتنی بر استخراج ویژگی برای کاهش اثر داده های خارج از محدوده

پیش بینی میان- مدت بار الکتریکی اغلب برای برنامه ریزی عملیات نیروگاه های حرارتی و آبی، زمان بندی بهینه برای بازرسی و تعمیرات و نگهداری نیروگاه ها و شبکه برق استفاده می شود. در این مقاله یک روش ترکیبی با استفاده از تبدیل موجک و ماشین یادگیری شدید مقاوم به داده های خارج از محدوده، برای پیش بینی بلند مدت بار ارائه شده است. داده های بار و دمای ساعتی، از پایگاه داده GEFCOM ۲۰۱۴ استخراج شده و به دو دسته آموزش و آزمایش تقسیم شده است. از تبدیل موجک یک سطحی برای تجزیه داده ها به منظور استخراج ویژگی ها و کاهش ابعاد ماتریس داده ها استفاده می شود. دو دسته مقادیر مولفه های فرکانس پایین (تقریب) و مقادیر مولفه های فرکانس بالا (جزئیات) حاصل از تجزیه جهت آموزش و پیش بینی به مدل وارد شده و خروجی مقادیر پایین با خروجی مقادیر بالای مدل جمع میشود تا پیشبینی نهایی را تشکیل دهد. جهت سنجش و مقایسه دقت و کارایی روش پیشنهادی، اعمال تبدیل موجک روی داده ها، برای سه مدل دیگر ماشین یادگیری شدید انجام گردیده است. همچنین داده ها بدون اعمال تبدیل موجک به چهار مدل پیش­بینی دیگر نیز وارد شده و نتایج پیش بینی حاصل با روش پیشنهادی مورد مقایسه قرار گرفته است. نتایج ارزیابی فوق نشان می دهد که تبدیل موجک و ماشین یادگیری شدید مقاوم به داده های خارج محدوده باعث بهبود دقت پیش بینی می گردد و مقدار میانگین درصد خطای مطلق به عدد ۰۹۶۶/۳ کاهش یافته است. مقدار خطای کلی محاسبه شده روش پیشنهادی بهترین نتیجه در بین سایر مدل های ماشین یادگیری شدید و روش های بدون پیش پردازش بوده است. خطای فوق بر مبنای مقدار میانگین درصد خطای مطلق به­ترتیب ۴۲۰۸/۰ نسبت به مدل ماشین یادگیری شدید اصلی، ۱۱۹۴/۰ نسبت به مدل تنظیم شده و ۱۳۵۳/۰ نسبت به مدل تنظیم شده و وزن دار، کاهش یافته است.

Keywords:

بهبود دقت پیش بینی , پیش پردازش , پیش بینی بلند مدت بار , تبدیل موجک , ماشین یادگیری شدید , میانگین درصد خطای مطلق