10279

پيش بيني بار كوتاه مدت مبتني بر شبكه عصبي عميق با استفاده از روش CNN-LSTM

كارشناسي

مهندسي برق-قدرت

1404

دكتر حسام كازري

1404/11/27

مهندسي برق

Short-Term Load Forecasting Based on Deep Neural Network Using CNN-LSTM method

پيش‌بيني بار الكتريكي كوتاه‌مدت نقش كليدي در برنامه‌ريزي، بهره‌برداري و افزايش پايداري شبكه‌هاي قدرت دارد. در اين پژوهش، سه معماري يادگيري عميق شامل شبكه عصبي كانولوشني (CNN)، شبكه حافظه بلندمدت كوتاه‌مدت (LSTM) و مدل تركيبي CNN-LSTM طراحي و پياده‌سازي شده‌اند. هدف از اين مطالعه، بررسي و مقايسه دقت و كارايي اين مدل‌ها در پيش‌بيني بار ساعتي با استفاده از داده‌هاي واقعي مصرف برق است. براي آموزش مدل‌ها، مجموعه داده‌هاي پيش‌پردازش‌شده مورد استفاده قرار گرفت و معيارهايي نظير RMSE، MAE و MAPE به‌عنوان شاخص‌هاي ارزيابي عملكرد به‌كار رفت. نتايج نشان داد مدل تركيبي CNN-LSTM با بهره‌گيري هم‌زمان از قابليت استخراج ويژگي محلي و مدل‌سازي وابستگي‌هاي زماني، دقت بالاتري نسبت به مدل‌هاي منفرد داشته و مي‌تواند به‌عنوان چارچوبي مؤثر براي مديريت هوشمند بار در سيستم‌هاي قدرت مورد استفاده قرار گيرد.

پيش‌بيني بار كوتاه‌مدت , شبكه عصبي كانولوشني (CNN) , شبكه LSTM , مدل تركيبي CNN-LSTM , يادگيري عميق , سري زماني الكتريكي , معيارهاي خطاي پيش‌بيني RMSEو MAEو MAPE