مدلسازی بار یکی از وظایف ضروری در مطالعات سیستمهای قدرت محسوب می شوند. با توسعه سیستمهای قدرت این مسئله بیش از پیش پیچیده تر شده است. روشهای پیشین مدلسازی بار دارای عیوب اساسی مانند الف) حساسیت بالا به نویز، ب) عدم لحاظ همگرایی بارهای الکتریکی در یک شبکه، ج) وابست چکیده کامل
مدلسازی بار یکی از وظایف ضروری در مطالعات سیستمهای قدرت محسوب می شوند. با توسعه سیستمهای قدرت این مسئله بیش از پیش پیچیده تر شده است. روشهای پیشین مدلسازی بار دارای عیوب اساسی مانند الف) حساسیت بالا به نویز، ب) عدم لحاظ همگرایی بارهای الکتریکی در یک شبکه، ج) وابستگی به مدل ریاضی، د) بار محاسباتی بالا و ه) وابستگی به اندازهگیری محلی هستند. برای رفع این مشکلات، در این مقاله یک ساختار مبتنی بر یادگیری عمیق توسعه داده شده است که قادر به شناسایی تعداد زیادی از پارامترهای بار به صورت همزمان با سرعت و دقت مطلوب است. ساختار طراحی شده قادر به درک کامل ویژگیهای زمانی بر مبنای یک ساختار حافظهدار بازگشتی است. همچنین، برای تخمین تعداد متغیرهای زیاد یک روش اختصاصدهی وزن برای این مدل توسعه داده شده است. نهایتأ، یک تابع تلفات فرمولبندی شده است تا مقاوم بودن ساختار در برابر با نویز را افزایش دهد. مطالعات عددی بر روی شبکه 68-شینه IEEE موثر بودن و برتری روش پیشنهادی را در مقایسه با تعدادی از روشهای کم-عمق و عمیق را نشان می دهد.
پرونده مقاله