پیش بینی کوتاه مدت و بلندمدت بار الکتریکی با استفاده از روشهای جدید یادگیری ماشین با در نظر گرفتن دما و زاویه ارتفاعی خورشید
هدف از این مقاله، به کارگیری و مقایسه عملکرد سه روش یادگیری ماشین شامل جنگل تصادفی (RF)، ماشین بردار پشتیبان (SVM) و اسپلاینهای رگرسیون تطبیقی چندمتغیره (MARS) برای پیش بینی کوتاه مدت و بلندمدت بار الکتریکی است. اطلاعات ورودی به صورت بار الکتریکی ساعت قبلی، دمای هوا و زاویه فعلی ارتفاعی خورشید و روزهای تعطیل رسمی در نظر گرفته شده است. سه معیار مختلف برای مقایسه عملکرد شامل خطای جذر میانگین مربعات، خطای میانگین قدر مطلق و ضریب تعیین R2 مورد استفاده قرار گرفته است. روش ها بر روی داده های ثبت شده واقعی مصرف بار الکتریکی یکی از پست های فوق توزیع شهر همدان و با استفاده از زبان برنامه نویسی متن باز R پیاده سازی شده است. داده دمای هوای منطقه از نزدیک ترین ایستگاه هواشناسی دریافت شده و زاویه تابش خورشید برای کل ساعات سال بر اساس موقعیت جغرافیای محل و روابط نجومی محاسبه شده است. نتایج نشان می دهد که روشهای پیاده شده با دقت بسیار خوبی بار مصرفی را پیش بینی مینمایند و همچنین روش RF در پیش بینی بار کوتاه مدت و روش SVM در پیش بینی بار بلندمدت عملکرد بسیار مناسبی ارایه میدهند و دقت بیشتری دارند.
- حق عضویت دریافتی صرف حمایت از نشریات عضو و نگهداری، تکمیل و توسعه مگیران میشود.
- پرداخت حق اشتراک و دانلود مقالات اجازه بازنشر آن در سایر رسانههای چاپی و دیجیتال را به کاربر نمیدهد.