پيش‌بيني كوتاه‌مدت منحني بار مسكوني با استفاده از مدل‌هاي يادگيري عميق و خوشه‌بندي K_meansمبتني بر الگوريتم بهينه‌سازي ملخ

در كشورهاي در حال توسعه، سهم بارهاي خانگي از مصارف كل كشور داراي مقدار قابل توجهي است و لذا پيش‌بيني هرچه دقيق‌تر منحني بار مسكوني و مديريت آن‌ها مي‌تواند نقش به‌سزايي در افزايش بهره‌وري شبكه ايفا كند.در اين مقاله سعي مي‌شود با استفاده از روشي تركيبي شامل شبكه عصبي عميق كانولوشن(CNN) ، شبكه عصبي حافظه طولاني كوتاه‌مدت(LSTM) ، واحد بازگشتي دروازه‌دار(GRU) و خوشه‌بندي K-means به پيش‌بيني كوتاه‌مدت با نتايج دقيق‌تري دست يافت. در مدل پيشنهادي از الگوريتم بهينه‌سازي ملخ براي بهبود مدل استفاده مي‌گردد.در اين پژوهش از داده‌هاي تاريخي بار الكتريكي يك منطقه مسكوني و داده‌هاي هواشناسي منطقه مورد مطالعه براي توسعه و ارزيابي مدل پيشنهادي با بهره‌گيري از شاخص‌هاي MAPE، MSE، RMSE و MAE انجام مي‌شود. نتايج ارزيابي نشان مي‌دهد كه دقت پيش‌بيني مدل پيشنهادي در مقايسه با روش‌هاي موجود بهبود يافته است.

In developing countries, the share of household loads in the total consumptions of the country has a significant value, and therefore the most accurate prediction of the residential load curve and their management can play a significant role in increasing the efficiency of the network. In this article, an attempt is made to achieve short-term forecasting with more accurate results by using a combined method including deep convolutional neural network (CNN), long-short-term memory neural network (LSTM), gated regression unit (GRU) and K-means clustering. In the proposed model, the grasshopper optimization algorithm is used to improve the model. In this research, the historical data of the electrical load of a residential area and the meteorological data of the studied area are used to develop and evaluate the proposed model using MAPE, MSE, RMSE and MAE indexes. The evaluation results show that the prediction accuracy of the proposed model is improved compared to the existing methods