مدل‏ سازی پیش ‏بینی کوتاه ‏مدت مصرف برق با استفاده از روش‏های هوش مصنوعی در استان گیلان

پیش‏بینی بار از مهم‌ترین جنبه‏های مدیریت موثر سیستم‏های قدرت است و به عوامل مختلفی از جمله ابزار و منابع تولید برق توسط هر شرکت، تقاضای بار الکتریکی، عوامل آب‌وهوایی، عوامل اقتصادی و فعالیت‏های انسانی بستگی دارد. براساس افق‏ زمانی، پیش‏بینی بار را می‏توان به سه گروه عمده پیش‏بینی کوتاه‏مدت، میان‏مدت و بلند‏مدت دسته‏بندی کرد. هدف اصلی این مقاله، پیش‏بینی کوتاه‏مدت مصرف برق، در شبکۀ برق منطقه‏ای استان گیلان است. در این پژوهش، پس از جمع‏آوری داده‏ها شامل سرعت باد، رطوبت نسبی، دما، نقطه شبنم، تعطیلات، طول روز و تاثیر کرونا، پیش‏پردازش روی آن‏ها انجام شده و با استفاده از الگوریتم خوشه‏بندی k_means به پنج خوشه تقسیم می‌شوند. در ادامه روابط بین متغیرهای مستقل و وابسته مصرف برق در استان گیلان با استفاده از الگوریتم‏های رگرسیون خطی1، شبکۀ عصبی مصنوعی2 و رگرسیون بردار پشتیبان3 به همراه روش بهینه‏سازی جستجوی شبکه4، مورد بررسی قرار گرفته و در نرم‏افزار python و در محیط google colab، بررسی و مدل‏سازی شده است. در خوشه‏بندی، الگوریتم‏های یادشده، روی تمامی خوشه‏ها و مجموع آن‏ها اعمال می‏شود. نتایج تحقیق در این مقاله نشان می‏دهد الگوریتم رگرسیون بردار پشتیبان، دقت بالاتر و زمان اجرای بیشتری نسبت به دو الگوریتم شبکۀ عصبی مصنوعی و رگرسیون خطی دارد. الگوریتم شبکۀ عصبی مصنوعی نسبت به رگرسیون خطی دارای خطای کمتر و زمان اجرای بیشتری است.

modeling short-term forecast of electricity consumption using artificial intelligence methods in gilan province

load forecasting is one of the most important aspects of the effective management of power systems and depends on various factors such as the means and sources of electricity production by each company, electric load demand, weather factors, economic factors and human activities.. the main goal of this article is the stlf in the regional electricity grid of guilan province. in this research, after collecting data including wind speed, relative humidity, temperature, dew point, holidays, day length and the effect of corona disease, pre-processing is done on them and they are divided into five clusters using k_means clustering algorithm. in the following, the relationships between the independent and dependent variables of electricity consumption in guilan province, using linear regression (lr) algorithms, artificial neural network (ann) and support vector regression (svr) along with the grid search optimization method, were investigated and analyzed in python software and modeled in the google colab environment. the results show that the svr algorithm has higher accuracy and longer implementation time than the two algorithms of ann and lr.