پیش بینی کوتاه مدت و بلندمدت بار الکتریکی با استفاده از روش‎های جدید یادگیری ماشین با در نظر گرفتن دما و زاویه ارتفاعی خورشید

هدف از این مقاله، به کارگیری و مقایسه عملکرد سه روش یادگیری ماشین شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و اسپلاین‎های رگرسیون تطبیقی چندمتغیره (MARS) برای پیش بینی کوتاه مدت و بلندمدت بار الکتریکی است. اطلاعات ورودی به صورت بار الکتریکی ساعت قبلی، دمای هوا و زاویه فعلی ارتفاعی خورشید و روزهای تعطیل رسمی در نظر گرفته شده است. سه معیار مختلف برای مقایسه عملکرد شامل خطای جذر میانگین مربعات، خطای میانگین قدر مطلق و ضریب تعیین R۲ مورد استفاده قرار گرفته است. روش ها بر روی داده های ثبت شده واقعی مصرف بار الکتریکی یکی از پست های فوق توزیع شهر همدان و با استفاده از زبان برنامه نویسی متن باز R پیاده سازی شده است. داده دمای هوای منطقه از نزدیک ترین ایستگاه هواشناسی دریافت شده و زاویه تابش خورشید برای کل ساعات سال بر اساس موقعیت جغرافیای محل و روابط نجومی محاسبه شده است. نتایج نشان می دهد که روش‎های پیاده شده با دقت بسیار خوبی بار مصرفی را پیش بینی می‎نمایند و همچنین روش RF در پیش بینی بار کوتاه مدت و روش SVM در پیش بینی بار بلندمدت عملکرد بسیار مناسبی ارائه می‎دهند و دقت بیشتری دارند.

Keywords:

Short-Term Prediction , Long-Term Prediction , Machine Learning , Random Forest , Support Vector Machine , Multivariate Adaptively Regression Spline , پیش بینی بار کوتاه مدت , پیش بینی بار بلندمدت , یادگیری ماشین , جنگل تصادفی , ماشین بردار پشتیبان , اسپلاین های رگرسیون تطبیقی چند متغیره