پیش‌بینی کوتاه‌مدت و بلندمدت بار الکتریکی با استفاده از روش‎های جدید یادگیری ماشین با در نظر گرفتن دما و زاویه ارتفاعی خورشید

هدف از این مقاله، به‌کارگیری و مقایسه عملکرد سه روش یادگیری ماشین شامل جنگل تصادفی (rf)، ماشین بردار پشتیبان (svm) و اسپلاین‎های رگرسیون تطبیقی چندمتغیره (mars) برای پیش‌بینی کوتاه‌مدت 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. روش‌ها بر روی داده‌های ثبت شده واقعی مصرف بار الکتریکی یکی از پست‌های فوق توزیع شهر همدان و با استفاده از زبان برنامه‌نویسی متن‌باز r پیاده‌سازی شده است. داده دمای هوای منطقه از نزدیک‌ترین 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 می‌دهد که روش‎های پیاده شده با دقت بسیار خوبی بار مصرفی را پیش بینی می‎نمایند و همچنین مدلrf در پیش‌بینی بار کوتاه‌مدت و روش svm در پیش‌بینی بار بلندمدت عملکرد بسیار مناسبی ارائه می‎دهند و دقت بیشتری دارند.

short-term and long-term electric load prediction using new machine learning techniques with temperature and solar altitude angle

this study is aimed to apply three machine learning techniques including random forest (rf), support vector machine (svm), and multivariate adaptively regression spline (mars) in both short-term and long-term electric load forecasting problems and compare their performance. last hour load, temperature, and solar altitude angle of the present hour with holidays were considered as inputs. three different criteria including root mean square error, mean absolute error, and coefficient of determination were used to evaluate the performance of prediction methods. these methods are all applied to practical electric load demand data obtained from a sub-transmission substation in hamedan using r programming language. the temperature data are collected from the nearest meteorological weather station and the hourly solar altitude angle for the whole year is accurately calculated with astronomical equations for the studied location. the results show that the implemented methods provide acceptable forecasts and rf and svm models exhibit superb results and provide more accurate forecasts in short-term load and long-term load forecasting respectively.