پیش‌بینی میان‌مدت بار مسکونی مبتنی بر انتخاب ویژگی به روش تحلیل اجزای مجاور

پیش‌بینی بار مسکونی نقش مهمی در مدیریت و برنامه‌ریزی در شبکه‌های هوشمند مدرن دارد. در برنامه‌ریزی برای متعادل نگه داشتن تقاضا و تولید توان، لازم است پیش‌بینی دقیقی از بار مناطق مسکونی انجام شود. در این مقاله، یک روش پیش‌بینی میان‌مدت بار مسکونی مبتنی بر انتخاب ویژگی برای حل مسئلۀ رگرسیون خطی ارائه شده است؛ به این ترتیب که برای انتخاب ویژگی به‌منظور انجام رگرسیون، از روش تحلیل اجزای مجاور استفاده می‌شود. بنابراین، یک مسئلۀ بهینه‌سازی طرح شده است؛ مسئلۀ مذکور با استفاده از الگوریتم حافظۀ محدود bfgs (lbfgs) حل می‌شود. مجموعه داده‌های ampds2 برای اجرای روش پیشنهادی استفاده شد و نتایج به‌دست‌آمده با نتایج شش روش پیش‌بینی دیگر مقایسه شدند. مقایسه ازطریق شاخص‌های میانگین مربعات خطا، جذر میانگین مربعات خطا و میانگین مطلق درصد خطا انجام شد و نتایج شبیه‌سازی موثربودن روش پیشنهادی را برای پیش‌بینی دقیق بار مسکونی تایید کردند.

MidTerm Residential Load Forecasting Based on Neighborhood Component Analysis Feature Selection

Residential load forecasting plays an important role in management and planning in modern smart grids. In planning to keep demand and supply balanced, accurate residential load forecasting is needed. This paper presents a midterm residential load forecasting method based on feature selection for solving the linear regression problem. Utilization of neighborhood component analysis Method is proposed in this paper. For this purpose, an optimization problem is designed and the problem is solved using LBFGS algorithm. The AMPds2 dataset is used to implement the proposed method and the results were compared with the results of the other six forecasting methods. Comparisons were made by means of mean squared error, root mean squared error, and mean absolute percentage error. The simulation results confirm the effectiveness of the proposed method for accurate residential load forecasting.