چکیده

یکی از مهمترین موضوعات پژوهشی در فناوری شبکه هوشمند، پیش بینی بار است، زیرا دقت پیش بینی بار، بر قابلیت اطمینان سیستم­ شبکه ­های هوشمند، تاثیر بالایی دارد. در گذشته، پیش بینی بار توسط تکنیک ­های تحلیل سنتی مانند تحلیل سری زمان و رگرسیون خطی انجام می­گرفت. از آنجاییکه پیش بینی بار بر روی طراحی الگوهای مصرف برق متمرکز است، اخیرا محققان روش­ های یادگیری عمیق را به تکنیک های یادگیری ماشین متصل کرده ­اند. در این مطالعه، یک الگوریتم شبکه عصبیِ عمیقِ دقیق برای پیش بینی بار کوتاه مدت (STLF) معرفی شده است. عملکرد پیش بینی الگوریتم پیشنهادی با عملکرد پنج الگوریتم هوش مصنوعی دیگر که معمولا برای پیش بینی بار مورد استفاده قرار می­گیرند، مقایسه شده است. میانگین درصد خطای مطلق (MAPE) و تنوع تجمعیِ مجذورِ میانگینِ مربعات خطا (CV-RMSE) به عنوان شاخص های ارزیابی دقت مورد استفاده قرار می گیرند. نتایج آزمایش­ ها نشان می دهند که MAPE و CV-RMSE برای الگوریتم پیشنهادی، به ترتیب برابر با 9.77% و 11.66% هستند که دقت پیش بینی بسیار بالایی را نشان می­دهند.

1- مقدمه

امروزه به منظور حل چالش­ های جهانی امنیت انرژی، چالش ­های تغییرات اقلیمی و چالش ­های رشد اقتصادی، نیاز مبرمی به سرعت بخشیدن به توسعه ­ی فن­آوری­ های انرژی کم کربن وجود دارد. در این میان، شبکه­ های هوشمند [1] اهمیت ویژه ­ای دارند زیرا این شبکه ­ها چندین فناوری انرژی کم کربن را فعال می­کنند [2]، از جمله خودروهای الکتریکی، منابع انرژی قابل استفاده مجدد و پاسخ به تقاضا. با توجه به چالش های رو به رشد جهانی آب و هوا، امنیت انرژی و رشد اقتصادی، تسریع در توسعه فناوری انرژی کم کربن در حال تبدیل به یک موضوع فزاینده فوری می­باشد...

میتوانید از لینک ابتدای صفحه، مقاله انگلیسی را رایگان دانلود فرموده و چکیده انگلیسی و سایر بخش های مقاله را مشاهده فرمایید.