طراحی شبکه باقی مانده عصبی عمیق چند سطحی برای پیش بینی کوتاه مدت بارهای الکتریکی در سیستم های قدرت

برای برقراری تعادل تولید - مصرف، طراحی یک روش که اطلاعات اولیه را برای بار مصرفی در ساعات آتی با سطح دقت و قابلیت اطمینان مطلوبی ضروری می‌باشد. مسئله‌ی پیش‌بینی بار با ظهور مفاهیم جدید در شبکه‌های برق و تجدید ساختار سیستم‌های قدرت روز به روز پیچیده‌تر می‌شود. این مقاله یک شبکه باقی‌مانده عصبی را برای پیش بینی با دقت بالای بارهای الکتریکی پیشنهاد می‌کند. در شبکه‌ی طراحی شده با ترکیب دو شبکه‌ی باقی‌مانده عمیق قدرتمند توانایی یادگیری ارتقا یافته و همچنین از مشکلاتی همچون بیش برازش و‌ کاهش/افزایش گرادیان جلوگیری شده است. همچنین، برای یادگیری کامل مشخصات زمانی و مکانی، شبکه‌ی عصبی کانولوشنی (cnn) و واحد بازگشتی حافظه‌دار (gru) ترکیب شده و در ساختار چندسطحی باقی‌مانده ادغام شده است. تحلیل‌ها فصلی و تحقیق بر روی چندین مورد مختلف با استفاده از داده‌های بار مصرفی واقعی در شهر شیراز، ایران موثر بودن روش را تایید می‌کند و برتری روش پیشنهاد از طریق مقایسه با روش‌های پیشین نشان داده شده است.

designing a multilevel deep neural residual network for short-term prediction of electrical loads in power systems

to establish a production-consumption balance, it is necessary to design a method that provides basic information for the consumption load in the coming hours with a high level of accuracy and reliability. the problem of load forecasting is growingly becoming more complicated with the emergence of new concepts in power grids and the restructuring of power systems. this paper proposes a residual neural network for the highly accurate prediction of electric charges. in the network designed by combining two powerful deep residual networks, learning ability has been improved and problems such as overfitting and gradient reduction/increase have been avoided. also, to fully learn the temporal and spatial features, a convolutional neural network (cnn) and a memory-based recurrent unit (gru) are combined and integrated into the residual multilevel structure. seasonal analyses and research on several different cases using real load data in shiraz, iran confirm the effectiveness of the method, and the superiority of the proposed method is demonstrated by comparison with previous methods.