پیش‌بینی کوتاه‌مدت منحنی بار مسکونی با استفاده از مدل‌های یادگیری عمیق و خوشه‌بندی k_meansمبتنی بر الگوریتم بهینه‌سازی ملخ

در کشورهای در حال توسعه، سهم بارهای خانگی از مصارف کل کشور دارای مقدار قابل توجهی است و لذا پیش‌بینی هرچه دقیق‌تر منحنی بار مسکونی و مدیریت آن‌ها می‌تواند نقش به‌سزایی در افزایش بهره‌وری شبکه ایفا کند.در این مقاله سعی می‌شود با استفاده از روشی ترکیبی شامل شبکه عصبی عمیق کانولوشن(cnn) ، شبکه عصبی حافظه طولانی کوتاه‌مدت(lstm) ، واحد بازگشتی دروازه‌دار(gru) و خوشه‌بندی k-means به پیش‌بینی کوتاه‌مدت با نتایج دقیق‌تری دست یافت. در مدل پیشنهادی از الگوریتم بهینه‌سازی ملخ برای بهبود مدل استفاده می‌گردد.در این پژوهش از داده‌های تاریخی بار الکتریکی یک منطقه مسکونی و داده‌های هواشناسی منطقه مورد مطالعه برای توسعه و ارزیابی مدل پیشنهادی با بهره‌گیری از شاخص‌های mape، mse، rmse و mae انجام می‌شود. نتایج ارزیابی نشان می‌دهد که دقت پیش‌بینی مدل پیشنهادی در مقایسه با روش‌های موجود بهبود یافته است.