پیش بینی کوتاه مدت منحنی بار مسکونی با استفاده از مدل های یادگیری عمیقو خوشه بندی K_means مبتنی بر الگوریتم بهینه سازی ملخ

در کشورهای در حال توسعه، سهم بارهای خانگی از مصارف کل کشور دارای مقدار قابل توجهی است و لذا پیش بینی هرچه دقیق تر منحنی بار مسکونی و مدیریت آن ها می تواند نقش به سزایی در افزایش بهره وری شبکه ایفا کند. در این مقاله سعی می شود با استفاده از روشی ترکیبی شامل شبکه عصبی عمیق کانولوشن(CNN) ، شبکه عصبی حافظه طولانی کوتاه مدت(LSTM) ، واحد بازگشتی دروازه دار(GRU) و خوشه بندی K-means به پیش بینی کوتاه مدت با نتایج دقیق تری دست یافت. در مدل پیشنهادی از الگوریتم بهینه سازی ملخ برای بهبود مدل استفاده می گردد. در این پژوهش از داده های تاریخی بار الکتریکی یک منطقه مسکونی و داده های هواشناسی منطقه مورد مطالعه برای توسعه و ارزیابی مدل پیشنهادی با بهره گیری از شاخص های MAPE، MSE، RMSE و MAE انجام می شود. نتایج ارزیابی نشان می دهد که دقت پیش بینی مدل پیشنهادی در مقایسه با روش های موجود بهبود یافته است.

Keywords:

روش ترکیبی , شبکه عصبی عمیق , منحنی بار مسکونی