مجید ولی زاده

یکی از مهمترین موضوعات پژوهشی در فناوری شبکه هوشمند، پیش بینی بار است، زیرادقت پیش بینی بار، بر قابلیت اطمینان سیستم شبکه های هوشمند، تاثیر بالایی دارد. در گذشته، پیش بینی بار توسط تکنیک های تحلیل سنتی مانند تحلیل سری زمان و رگرسیون خطی انجام می گرفت. از آنجایی که پیش بینی بار بر روی طراحی الگوهای مصرف برق متمرکز است، اخیرا محققان روشهای یادگیری عمیق را به تکنیک های یادگیری ماشین متصل کرده اند. در این مطالعه، یک الگوریتم شبکه عصبیِ عمیقِ دقیق برای پیش بینی بار کوتاه مدت STLF معرفی شده است. میانگین درصد خطای مطلقMAPE و تنوع تجمعِی مجذورِ میانگینِ مربعات خطا RMSE CV به عنوان شاخصهای ارزیابی دقت مورد استفاده قرار می گیرند. نتایج آزمایش ها نشان می دهند که MAPE و RMSE برای الگوریتم پیشنهادی به ترتیب برابر با 11.66% و 9.77 هستند که دقت پیش بینی بسیار بالایی را نشان میدهند.