ارائۀ مدل جدید تخمین مصرف انرژیبرق براساس مبدل‌های موجک موازی و شبکه‌های عصبی کانولوشن با یادگیری عمیق برای ساختمان‌های مسکونی

با توجه به افزایش میزان مصرف برق، این انرژی یکی از مهم‌ترین منابع برای زندگی انسان است؛ بنابراین، همۀ کشورها به دنبال دسترسی به منابع انرژی مطمئن و برنامه‌ریزی‌شده هستند. نیز با توجه به تجدیدناپذیر بودن منابع سوخت‌های فسیلی به‌ویژه منابع نفت و گاز، چندین دهه است موضوع جایگزین‌سازی این نوع انرژی‌ها با انرژی‌های تجدیدپذیرشایان توجه قرار گرفته است. صرفه‌جویی و مصرف بهینۀ انرژی الکتریکی در مصارف مهم مانند ساختمان‌های مسکونی و تجاری اهمیت زیادی دارد. یکی از مهم‌ترین عوامل برای برنامه‌ریزی مصرف برق و بهینه‌سازی آن، پیش‌بینی دقیق برای مصرف برق ساختمان‌های مسکونی و تجاری در آینده است. در این مقاله،ابتدا با استفاده از مبدل‌های موازی موجک، مجموعه داده‌های چند ساختمان مسکونی تحلیل می‌شوند، سپس با استفاده از مدل بهینۀ تخمین‌گر شبکۀ عصبی کانولوشن برق مصرفی کوتاه‌مدت ساختمان‌پیش‌بینی می‌شوند. نتایج پژوهش نشان می‌دهند روش ارائه‌شده به‌طور متوسط خطای تخمین روش‌های arima، شبکۀ عصبی lstm و svr را به‌ترتیب 70، 69 و 73 درصد بهبود بخشیده است.

Presenting a New Model of Electric Power Consumption Estimation Based on Parallel Wavelet Converters and Convolutional Neural Networks with Deep Learning for Residential Buildings

Considering the increasing rate of electrical energy usage, this energy has become one of the most important resources for human life. So all countries are seeking access to reliable and planned energy resource. Regarding the nonrenewability of fossil fuel resources, especially oil and gas, the issue of replacing these types of energy with renewable energy has been considered for decades. Saving and optimal use of electrical energy in important applications such as residential and commercial buildings is critical. One of the most important factors for planning power consumption and optimizing it is accurate forecasting for next hours’ power consumption of residential and commercial buildings. In this paper, first, the data sets of several residential buildings are analyzed using parallel wavelet converters. Then, using an optimal estimator model of the convolutional neural network, the shortterm load of the building is estimated. The obtained results show that the proposed method has improved the prediction error about 70, 69 and 73 percent for ARIMA, SVR, and LSTM methods, respectively.