پیشبینی میان-مدت بار الکتریکی اغلب برای برنامهریزی عملیات نیروگاههای حرارتی و آبی، زمانبندی بهینه برای بازرسی و تعمیرات و نگهداری نیروگاهها و شبکه برق استفاده میشود. در این مقاله یک روش ترکیبی با استفاده از تبدیل موجک و ماشین یادگیری شدید مقاوم به دادههای خارج ا چکیده کامل
پیشبینی میان-مدت بار الکتریکی اغلب برای برنامهریزی عملیات نیروگاههای حرارتی و آبی، زمانبندی بهینه برای بازرسی و تعمیرات و نگهداری نیروگاهها و شبکه برق استفاده میشود. در این مقاله یک روش ترکیبی با استفاده از تبدیل موجک و ماشین یادگیری شدید مقاوم به دادههای خارج از محدوده، برای پیشبینی بلندمدت بار ارائه شده است. دادههای بار و دمای ساعتی، از پایگاه داده GEFCOM 2014 استخراج شده و به دو دسته آموزش و آزمایش تقسیم شده است. از تبدیل موجک یک سطحی برای تجزیه دادهها بهمنظور استخراج ویژگیها و کاهش ابعاد ماتریس دادهها استفاده میشود. دو دسته مقادیر مؤلفههای فرکانس پایین (تقریب) و مقادیر مؤلفههای فرکانس بالا (جزئیات) حاصل از تجزیه جهت آموزش و پیشبینی به مدل وارد شده و خروجی مقادیر پایین با خروجی مقادیر بالای مدل جمع می شود تا پیش بینی نهایی را تشکیل دهد. جهت سنجش و مقایسه دقت و کارایی روش پیشنهادی، اعمال تبدیل موجک روی دادهها، برای سه مدل دیگر ماشین یادگیری شدید انجام گردیده است. همچنین دادهها بدون اعمال تبدیل موجک به چهار مدل پیش بینی دیگر نیز وارد شده و نتایج پیشبینی حاصل با روش پیشنهادی مورد مقایسه قرار گرفته است. نتایج ارزیابی فوق نشان میدهد که تبدیل موجک و ماشین یادگیری شدید مقاوم به دادههای خارج محدوده باعث بهبود دقت پیشبینی میگردد و مقدار میانگین درصد خطای مطلق به عدد ۰۹۶۶/۳ کاهش یافته است. مقدار خطای کلی محاسبه شده روش پیشنهادی بهترین نتیجه در بین سایر مدلهای ماشین یادگیری شدید و روشهای بدون پیشپردازش بوده است. خطای فوق بر مبنای مقدار میانگین درصد خطای مطلق به ترتیب ۴۲۰۸/۰ نسبت به مدل ماشین یادگیری شدید اصلی، ۱۱۹۴/۰ نسبت به مدل تنظیمشده و ۱۳۵۳/۰ نسبت به مدل تنظیمشده و وزندار، کاهش یافته است.
پرونده مقاله