پيش‌بيني كوتاه مدت مصرف بار الكتريكي با استفاده از شبكه‌هاي عصبي عميق CNN و LSTM

امروزه انرژي الكتريسيته يكي از اساسي‌ترين نيازهاي جوامع بشري محسوب مي‌شود به گونه‌اي كه تمام فعاليت‌هاي صنعتي و بخش زيادي از فعاليت‌هاي اجتماعي، اقتصادي، كشاورزي و ... با اتكا به اين انرژي انجام مي‌شود، بنابراين كيفيت و تداوم انرژي الكتريسيته از اهميت بسزايي برخوردار است. هدف اين پژوهش آن است كه بر اساس عوامل موثر بر بار الكتريكي كه داراي روابط پيچيده غيرخطي هستند و عمدتاً شامل تغييرات آب و هوا و نوسانات دوره‌اي روزانه و هفتگي مصرف مي‌باشند به پيش‌بيني تغييرات مصرف بار كوتاه مدت دست يابد. روش پيشنهادي يك شبكه عصبي تركيبي، با استفاده از يادگيري عميق مي‌باشد كه از تركيب دو معماري CNN و LSTM ايجاد شده است. معماري CNN با توجه به قابليت آن در استخراج الگوهاي موجود در داده و معماري LSTM بر پايه توانايي آن در پيش‌بيني سري‌هاي زماني، مورد استفاده قرار گرفته‌اند. رويكرد ارائه شده با استفاده از پيش‌بيني آب و هواي ساعات آينده و الگوي مصرف بار الكتريكي در ساعات گذشته، قادر به پيش‌بيني الگوي مصرف آينده خواهد بود. نتايج ارزيابي نشان مي‌دهد كه دقت پيش‌بيني بر اساس معيارهاي MAPE ، RMSE، RSEوCORR در مقايسه با بهترين روش‌هاي موجود بهبود يافته است.