مدل‌سازی و پیش‌بینی مصرف کوتاه‌مدت برق ایران با استفاده از شبکه عصبی‌ و الگوریتم tpe

نقش واسطه‌ای برق برای صنایع مختلف و ارتباط آن با رفاه جامعه، باعث افزایش اهمیت آن شده‌است، به طوری که اطلاع از مقدار تقاضای این انرژی، در هدایت کشور به سمت توسعه از اهمیت به سزایی برخوردار‌است. در چند سال اخیر به دلیل توسعه مدل‌های یادگیری عمیق و افزایش دقت این گونه مدل ها، استفاده از آنها رواج پیدا- کرده‌است. در مسئله مدل‌سازی و پیش‌بینی مصرف برق، استفاده از متغیر های تاثیرگذار بسیار مهم بوده و باعث افزایش دقت پیش‌بینی خواهد شد. از این رو در پژوهش حاضر، از متغیر های تاثیرگذاری چون: تولید ناخالص داخلی بدون نفت، میانگین دمای کشور، روز های تعطیل و روند مصرف ‌برق، با به کارگیری الگوریتم بهینه سازیtpe  برای بهینه‌سازی مدل lstm  استفاده شده‌است. برای مقایسه نتایج، مدل دیگری طراحی شده‌ که فاقد دو متغیر تولید ناخالص داخلی و روز های تعطیل می‌باشد و همچنین با الگوریتم tpe، بهینه شده‌است. نتایج حاصل از این تحقیق نشان می‌دهد که مدل دارای متغیرهای: تولید ناخالص داخلی بدون نفت و روزهای تعطیل نسبت به مدل فاقد این‌دو متغیر، از دقت بالاتری برخوردار است. 

modeling and short-term prediction of national electricity consumption using recurrent neural network and tpe optimization algorithm

the intermediary role of electricity in various industries and its correlation with societal well-being have gained increased significance. awareness of the demand for this energy plays a crucial role in guiding the country towards development. in recent decades, with the advancements in deep learning models and their heightened accuracy, their usage has become prevalent. in the realm of modeling and predicting electricity consumption, incorporating influential variables is crucial for enhancing prediction accuracy. thus, in this research, variables such as non-oil gross domestic product (gdp), average country temperature, holidays, and electricity consumption trends are utilized. the tpe optimization algorithm is employed to optimize the lstm model. for result comparison, an alternative model excluding two variables, non-oil gdp and holidays, is designed and optimized using the tpe algorithm. the study results indicate that the model incorporating variables like non-oil gdp and holidays exhibits higher accuracy compared to the model without these two variables