مدیریت دو مرحله‌ای انرژی ریزشبکه بر اساس پیش‌بینی تابع توزیع احتمالی مبتنی بر یادگیری عمیق و الگوریتم بهبود‌یافته چندهدفه تکاملی مبتنی بر تجزیه

مدیریت انرژی ریزشبکه به عنوان مغز سیستم کنترل و نظارت ریزشبکه‌ها نقش اساسی در عملکرد این شبکه‌ها ایفا می‌کند. در این مقاله، یک روند دو مرحله برای مدیریت انرژی ریزشبکه پیشنهاد شده است. در مرحله‌ی اول، یک روش برای پیش‌بینی احتمالی تابع توزیع احتمالی (pdf) پارامترهای دارای عدم قطعیت سیستم ارائه شده است. در این روش پیشنهادی، از یک ساختار ترکیبی مبتنی بر روش‌های یادگیری عمیق استفاده شده است که در آن سه قسمت مختلف تشکیل شده است قسمت اول این روش از ساختار شبکه‌های کانولوشنی (cnn) برای یادگیری ویژگی‌های مکانی و در قسمت دوم از یک ساختار واحد بازگشتی دروازه‌دار (gru) استفاده شده است. این ساختار ترکیبی در قالب یک شبکه یادگیری عمیق مختلط (mdn) ادغام شده است تا با دقت و سرعت بسیار بالا تمامی مشخصات آماری را در قالب pdf در اختیار بهره‌بردارن شبکه قرار دهد. همچنین، برای تایید موثر بودن روش mmeoea/d نتایج این روش از لحاظ دقت و سرعت با روش‌های چندهدفه تکاملی همچون روش بهینه‌سازی چندهدفه تکاملی مبتنی بر تجزیه (moea/d) و روش بهینه‌سازی دسته‌بندی نامغلوب ژنتیک –ii (nsga-ii) مقایسه شده است. نتایج بر روی یک ریزشبکه با سطح توان پایین مورد ارزیابی قرار گرفته است.