طراحی شبکه باقی مانده عصبی عمیق چند سطحی برای پیش بینی کوتاه مدت بارهای الکتریکی در سیستم های قدرت

Abstract

برای برقراری تعادل تولید - مصرف، طراحی یک روش که اطلاعات اولیه را برای بار مصرفی در ساعات آتی با سطح دقت و قابلیت اطمینان مطلوبی ضروری می‌باشد. مسئله‌ی پیش‌بینی بار با ظهور مفاهیم جدید در شبکه‌های برق و تجدید ساختار سیستم‌های قدرت روز به روز پیچیده‌تر می‌شود. این مقاله یک شبکه باقی‌مانده عصبی را برای پیش بینی با دقت بالای بارهای الکتریکی پیشنهاد می‌کند. در شبکه‌ی طراحی شده با ترکیب دو شبکه‌ی باقی‌مانده عمیق قدرتمند توانایی یادگیری ارتقا یافته و همچنین از مشکلاتی همچون بیش برازش و­کاهش/افزایش گرادیان جلوگیری شده است. همچنین، برای یادگیری کامل مشخصات زمانی و مکانی، شبکه‌ی عصبی کانولوشنی (CNN) و واحد بازگشتی حافظه‌دار (GRU) ترکیب شده و در ساختار چندسطحی باقی‌مانده ادغام شده است. تحلیل‌ها فصلی و تحقیق بر روی چندین مورد مختلف با استفاده از داده‌های بار مصرفی واقعی در شهر شیراز، ایران موثر بودن روش را تایید می‌کند و برتری روش پیشنهاد از طریق مقایسه با روش‌های پیشین نشان داده شده است.