مدل سازی پیش بینی کوتاه مدت مصرف برق با استفاده از روشهای هوش مصنوعی در استان گیلان | ||
| فصلنامه سیستم های انرژی پایدار | ||
| دوره 1، شماره 3، تابستان 1401، صفحه 209-230 اصل مقاله (1.93 M) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22059/ses.2023.350868.1015 | ||
| نویسندگان | ||
| مبینا سیمائی* 1؛ امیرحسین میرآبادی2 | ||
| 1کارشناسی ارشد، گروه مهندسی انرژیهای نو و محیط زیست، دانشکدۀ علوم و فنون نوین، دانشگاه تهران | ||
| 2معاونت علم و فناوری ریاست جمهوری | ||
| چکیده | ||
| پیشبینی بار از مهمترین جنبههای مدیریت مؤثر سیستمهای قدرت است و به عوامل مختلفی از جمله ابزار و منابع تولید برق توسط هر شرکت، تقاضای بار الکتریکی، عوامل آبوهوایی، عوامل اقتصادی و فعالیتهای انسانی بستگی دارد. براساس افق زمانی، پیشبینی بار را میتوان به سه گروه عمده پیشبینی کوتاهمدت، میانمدت و بلندمدت دستهبندی کرد. هدف اصلی این مقاله، پیشبینی کوتاهمدت مصرف برق، در شبکۀ برق منطقهای استان گیلان است. در این پژوهش، پس از جمعآوری دادهها شامل سرعت باد، رطوبت نسبی، دما، نقطه شبنم، تعطیلات، طول روز و تأثیر کرونا، پیشپردازش روی آنها انجام شده و با استفاده از الگوریتم خوشهبندی K_Means به پنج خوشه تقسیم میشوند. در ادامه روابط بین متغیرهای مستقل و وابسته مصرف برق در استان گیلان با استفاده از الگوریتمهای رگرسیون خطی1، شبکۀ عصبی مصنوعی2 و رگرسیون بردار پشتیبان3 به همراه روش بهینهسازی جستجوی شبکه4، مورد بررسی قرار گرفته و در نرمافزار Python و در محیط Google Colab، بررسی و مدلسازی شده است. در خوشهبندی، الگوریتمهای یادشده، روی تمامی خوشهها و مجموع آنها اعمال میشود. نتایج تحقیق در این مقاله نشان میدهد الگوریتم رگرسیون بردار پشتیبان، دقت بالاتر و زمان اجرای بیشتری نسبت به دو الگوریتم شبکۀ عصبی مصنوعی و رگرسیون خطی دارد. الگوریتم شبکۀ عصبی مصنوعی نسبت به رگرسیون خطی دارای خطای کمتر و زمان اجرای بیشتری است. | ||
| کلیدواژهها | ||
| پیش بینی مصرف برق؛ پیش بینی کوتاه مدت برق؛ رگرسیون بردار پشتیبان؛ رگرسیون خطی؛ شبکه عصبی مصنوعی | ||
| مراجع | ||
|
| ||
|
آمار تعداد مشاهده مقاله: 1,289 تعداد دریافت فایل اصل مقاله: 754 |
||