حسین اسکندری - دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس
مریم ایمانی - دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس
محسن پارسا مقدم - دانشکده مهندسی برق و کامپیوتر، دانشگاه تربیت مدرس

پیش بینی بار الکتریکی مصرفی برای عملکرد مطمئن سیستم های قدرت و همچنین برای برنامه ریزی مدیریت تقاضا و ذخیره بار حیاتی است. در این مقاله پیش-بینی بار با استخراج ویژگی های تاریخچه بار مصرفی با استفاده از شبکه های عصبی عمیق انجام شده است. شبکه های عصبی بازگشتی ، به ویژه شبکه های عصبی بازگشتی بهبود یافته، مانند LSTM و GRU قادر به نگه داشتن حافظه کوتاه مدت و طولانی هستند تا روابط بین مقادیر بار را از سری زمانی استخراج کنند. از طرف دیگر، شبکه های عصبی کانولوشنی قادر به یادگیری خودکار ویژگی ها هستند و می توانند مستقیما یک بردار را برای پیش بینی تولید کنند. روش پیشنهادی این مقاله، استخراج ویژگی های بار با استفاده از شبکه های عصبی کانولوشن و سپس استخراج اطلاعات توالی زمانی بار با بهره گیری از شبکه GRU است. نتایج آزمایش ها بر روی سه مجموعه داده Toronto و ISO-NE و North American Utility نشان دهنده کاهش خطای پیش بینی روش پیشنهادی در مقایسه با سایر روش های رقیب است.

پیش بینی بار الکتریکی, یادگیری عمیق, شبکه های عصبی کانولوشنی, شبکه های بازگشتی بهبود یافته , خطای پیش بینی