12876

پيش‌بيني تقاضا بارالكتريكي در شبكه‌هاي هوشمند با استفاده از روش‌هاي يادگيري ماشين

1401

آقاي دكتر محسن كلانتر

پيش‌بيني بار الكتريكي نقشي محوري در عملكرد و مديريت كارآمد شبكه‌هاي هوشمند ايفا مي‌كند و بينش‌هاي ارزشمندي را براي اپراتورهاي شبكه براي بهينه‌سازي تخصيص منابع، افزايش كارايي انرژي و اطمينان از قابليت اطمينان شبكه ارائه مي‌دهد. اين سمينار مروري جامع از روش‌هاي مورد استفاده در پيش‌بيني بار الكتريكي با تمركز بر كاربرد تكنيك‌هاي يادگيري ماشين در زمينه شبكه‌هاي هوشمند ارائه مي‌كند. پيچيدگي پيش‌بيني بار به دليل عوامل خارجي است كه به طور قابل‌توجهي بر الگوهاي مصرف تأثير مي‌گذارند. اين عوامل شامل، شرايط آب و هوايي، روزهاي هفته و قيمت برق و... است. شرايط آب و هوايي، مانند دما، رطوبت و سرعت باد، به دليل استفاده از گرمايش، سرمايش و … به آب و هوا، مستقيماً بر تقاضاي انرژي تأثير مي گذارد. به طور مشابه، الگوهاي بار بر اساس روز هفته متفاوت است، علاوه بر اين، قيمت برق، نقش مهمي در رفتار مصرف كننده ايفا مي كند. روش‌هاي سنتي پيش‌بيني بار عمدتاً بر مدل‌هاي آماري يا شبكه‌هاي عصبي مصنوعي سطحي (ANN) متكي بودند. اگرچه اين روش‌ها دقت قابل‌توجهي در گذشته ارائه كرده‌اند، اما براي روابط پيچيده بين عوامل خارجي و الگوهاي بار الكتريكي كه داده‌هاي غير خطي و غير ثابت مناسب نيستند. ظهور روش‌هاي يادگيري عميق، جايگزين اميدواركننده‌اي براي پيش‌بيني بار الكتريكي است. اين روش‌ها، مانند شبكه‌هاي عصبي كانولوشن (CNN) و حافظه كوتاه مدت بلند (LSTM) عملكرد بهتري را در گرفتن روابط پيچيده و غيرخطي در داده‌ها نشان داده‌اند. آنها مي توانند به طور تطبيقي از داده هاي با ابعاد بالا ياد بگيرند و دقت پيش بيني بار را به طور قابل ملاحظه اي بهبود بخشند.

11/22/2023 12:00:00 AM

81286

1402/09/27

Forecasting load demand in smart grids using machine learning methods