امید ایزدی قهفرخی - دانشکده مهندسی برق- واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران
مزدا معطری - مرکز تحقیقات مکاترونیک و هوش مصنوعی- واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران
احمد فروزان تبار - دانشکده مهندسی برق- واحد مرودشت، دانشگاه آزاد اسلامی، مرودشت، ایران

مدل سازی بار یکی از وظایف ضروری در مطالعات سیستم های قدرت محسوب می­شوند. با توسعه سیستم های قدرت این مسئله بیش از پیش پیچیده­تر شده است. روش های پیشین مدل سازی بار دارای عیوب اساسی مانند الف) حساسیت بالا به نویز، ب) عدم لحاظ همگرایی بارهای الکتریکی در یک شبکه، ج) وابستگی به مدل ریاضی، د) بار محاسباتی بالا و ه) وابستگی به اندازه گیری محلی هستند. برای رفع این مشکلات، در این مقاله یک ساختار مبتنی بر یادگیری عمیق توسعه داده شده است که قادر به شناسایی تعداد زیادی از پارامترهای بار به­صورت همزمان با سرعت و دقت مطلوب است. ساختار طراحی شده قادر به درک کامل ویژگی های زمانی بر مبنای یک ساختار حافظه دار بازگشتی است. همچنین، برای تخمین تعداد متغیرهای زیاد یک روش اختصاص دهی وزن برای این مدل توسعه داده شده است. نهایتا، یک تابع تلفات فرمول بندی شده است تا مقاوم بودن ساختار در برابر با نویز را افزایش دهد. مطالعات عددی بر روی شبکه ۶۸-شینه IEEE موثر بودن و برتری روش پیشنهادی را در مقایسه با تعدادی از روش های کم -عمق و عمیق را نشان می­دهد.

تابع تلفات, ساختار یادگیری عمیق چند متغیره, سیستم اندازه گیری گسترده, شبکه بازگشتی حافظه دار, مدل سازی بار