پيش‌بيني كوتاه‌مدت و بلندمدت بار الكتريكي با استفاده از روش‎هاي جديد يادگيري ماشين با در نظر گرفتن دما و زاويه ارتفاعي خورشيد

هدف از اين مقاله، به‌كارگيري و مقايسه عملكرد سه روش يادگيري ماشين شامل جنگل تصادفي (RF)، ماشين بردار پشتيبان (SVM) و اسپلاين‎هاي رگرسيون تطبيقي چندمتغيره (MARS) براي پيش‌بيني كوتاه‌مدت و بلندمدت بار الكتريكي است. اطلاعات ورودي به صورت بار الكتريكي ساعت قبلي، دماي هوا و زاويه فعلي ارتفاعي خورشيد و روزهاي تعطيل رسمي در نظر گرفته شده است. سه معيار مختلف براي مقايسه عملكرد شامل خطاي جذر ميانگين مربعات، خطاي ميانگين قدر مطلق و ضريب تعيين R2 مورد استفاده قرار گرفته است. روش‌ها بر روي داده‌هاي ثبت شده واقعي مصرف بار الكتريكي يكي از پست‌هاي فوق توزيع شهر همدان و با استفاده از زبان برنامه‌نويسي متن‌باز R پياده‌سازي شده است. داده دماي هواي منطقه از نزديك‌ترين ايستگاه هواشناسي دريافت شده و زاويه تابش خورشيد براي كل ساعات سال بر اساس موقعيت جغرافياي محل و روابط نجومي محاسبه شده است. نتايج نشان مي‌دهد كه روش‎هاي پياده شده با دقت بسيار خوبي بار مصرفي را پيش بيني مي‎نمايند و همچنين مدلRF در پيش‌بيني بار كوتاه‌مدت و روش SVM در پيش‌بيني بار بلندمدت عملكرد بسيار مناسبي ارائه مي‎دهند و دقت بيشتري دارند.